超级会员免费看
该论文提出了一种端到端的SSFCN模型，用于高光谱图像(HSI)分类。与传统patchwise方法不同，SSFCN接受整幅HSI图像作为输入，并利用mask矩阵针对每个训练样本计算损失。模型包含光谱和空间两个分支，通过可学习的权重融合，结合了全局信息，并用CRF进行后处理。实验在多个数据集上验证了其性能。
Y. Xu, B. Du and L. Zhang, “Beyond the Patchwise Classification: Spectral-Spatial Fully Convolutional Networks for Hyperspectral Image Classification,” in IEEE Transactions on Big Data, doi: 10.1109/TBDATA.2019.2923243.
Xu Y , Du B , Zhang L . Beyond the Patchwise Classification: Spectral-Spatial Fully Convolutional Networks for Hyperpsectral Image Classificaiton[J]. 2019.
1.贡献点
- 提出了一个端到端的适用于HIC的SSFCN。输入为HSI的整幅图像，而不是HSI patch；计算损失时用到了一个mask matrix，只计算每个训练样本像元的损失，而不是整张图所有像元的损失；
- SSFCN为双分支，光谱分支和空间分支在最后加权融合，这两个权重是可学习的参数，而非人为设定的参数；
- 最后为了平衡局部信息和全局信息，使用CRF作为后处理方法。
订阅专栏 解锁全文
扫一扫
1756
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
