通过异构深度神经网络对高光谱图像进行监督分类

在本文中,提出了一种新的基于异构神经网络的深度学习方法,称为HNNDL,用于对带有少量标记样本的高光谱图像(HSI)进行监督分类。 具体来说,将深度神经网络(DNN)和卷积神经网络(CNN)组合起来以构建HNNDL体系结构。 所提出的体系结构包含三个模块:1)降维和特征提取,2)训练像素级DNN和CNN,3)由上述分类器生成的两个软概率图上基于双边滤波的决策级融合。 这种异构深度学习架构背后的基本原理是,他们可以充分利用每个网络的互补能力,从而学习更多抽象和更强大的本地光谱空间信息,从而提高HSI分类器的性能。 在广泛使用的HSI上的实验结果表明,在分类准确性方面,该方法优于几种众所周知的分类方法。