融合多层特征SENet和多尺度宽残差的高光谱图像地物分类
【摘要】 提出了一种融合多层特征SENet和多尺度宽残差的高光谱图像地物分类的方法。实验选取IndianPines和PaviaUniversity为研究对象，结果表明，SE-Inception-Resnet-MSWideResnet(SEIR-MSWR)网络结构的总体分类精度为99.33%、99.52%，Kappa系数为0.98时，分类效果最优，相较于支持向量机(SupportVectorMachine，SVM)、K最近邻法(K-NearestNeighbor，KNN)，宽残差网络(WideResnetNetwork，WRN)以及InceptionV2-Resnet，总体分类精度分别提高了20.86%、20.09%、5.48%、3.39%、23.1%、16.89%、6.66%、2.58%，Kappa系数分别提高了0.18、0.17、0.06、0.04、0.22、0.17、0.07、0.03，均表现出良
