基于长短时记忆网络的高光谱图像分类

• 作 者: 刘锦
• 出 处: 西安电子科技大学
• 发表日期: 2004年期
• 关键词: 高光谱图像分类 语义特征 深度学习 长短时记忆网络 激活函数

高光谱遥感技术是目前遥感技术领域的重要学科,高光谱数据包含的海量信息及其独特的性质,使得高光谱图像(Hyperspectral Image,HSI)分类越来越多地被应用于农业、地理、气象学和国防军事等领域,因此值得我们深入研究。分类任务中,如何获取并学习数据的特征是重点和难点,如何提取充分、有效的特征直接影响分类结果。受自然语言处理领域相关思想的启发,本文的重点是在HSI中寻找具有序列关系的特征,再利用深度学习的框架完成对低层特征的抽象学习,实现特征提取和分类的一体化任务。本文的主要工作如下:(1)提出了一种基于流形学习和局部空间序列的长短时记忆网络用于HSI分类,提取出更具表示性和判别性的高层语义特征。该方法针对单一传统低层特征信息量不足、局部空间内不同样本对分类模型的影响不同等问题,在使用流形学习算法降维保持图像的局部拓扑结构的基础上,融合两种低层特征并构建样本的局部空间序列特征,最终利用长短时记忆网络对局部空间序列特征进行抽象学习同时分类。本方法不仅得到了更具表示性和判别性的高层语义特征,并且通过构建局部空间序列增强了有用像素对分类的积极影响,抑制了无用像素的消极作用,提升了分类精度。(2)提出了一种基于低秩表示和非局部空间序列的长短时记忆网络用于HSI分类,在局部空间序列特征的基础上加入全局信息,提升了高层语义特征的表征性。该方法针对局部空间信息有限这一缺陷,引入低秩表示来保持图像的全局结构,在全局尺度上寻找样本局部空间的相似局部空间,并将此样本及其相似局部空间的中心样本共同构建成该样本的非局部空间序列特征,该特征在保留了局部空间信息的基础上,加入非局部空间信息,得到的高层语义特征更具表征性,提高了分类准确率。(3)提出了一种应用了新型激活函数的长短时记忆网络模型用于HSI分类,传统的长短时记忆网络激活函数选用ReLU函数,本方法在ReLU函数的基础上,提出一种改进的激活函数,并使用工作2中基于低秩表示和非局部空间序列的长短时记忆网络模型,对HSI进行分类,提升了分类效果。