面向机载高光谱数据的3D-CNN亚热带森林树种分类
【摘要】 度]。[卷积层为基础，提出一种高效的卷积神经网络(原始数据作为输入，不需要降维或特征筛选，可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征，学习特征立方体空间和光谱维度的局部信号变化，利用重要的识别特征训练样本相对较少的问题，对模型进行进行分类，以提高对高光谱影像的判别能力、优化，以避免过拟合结构森林，与随机森林特征选择结合支持向量机分类相比，总体精度提高树种总体分类精度达系数提高系数为三维卷积神经网络在处理机载高光谱影像特征提取和分类问题时能够充分利用影像中的丰富信相较传统的特征筛选与面向对象分割结合的方法，本研究提出的训练样本)，总体精度仍可达]，Kappa;小样本训练情况下(减少系数为0.98针对机载高光谱数据维度高，Kappa结论，Kappa3D-CNN95.89%98.38%。CNNLiCHy8.82%结果。[0.1175%。]0.94。[息，实现高精度区分亚热带森林树种;合理的网络结构以及训练策略(加入并在小样本
