清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning

计算机科学 过度拟合 人工智能 卷积神经网络 高光谱成像 学习迁移 模式识别(心理学) 上下文图像分类 数据建模 深度学习 RGB颜色模型 人工神经网络 图像(数学) 数据库
作者
Haokui Zhang,Ying Li,Yenan Jiang,Peng Wang,Qiang Shen,Chunhua Shen
出处
期刊:IEEE Transactions on Geoscience and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:57 (8): 5813-5828 被引量:168
标识
DOI:10.1109/tgrs.2019.2902568
摘要

Recently, hyperspectral image (HSI) classification approaches based on deep learning (DL) models have been proposed and shown promising performance. However, because of very limited available training samples and massive model parameters, DL methods may suffer from overfitting. In this paper, we propose an end-to-end 3-D lightweight convolutional neural network (CNN) (abbreviated as 3-D-LWNet) for limited samples-based HSI classification. Compared with conventional 3-D-CNN models, the proposed 3-D-LWNet has a deeper network structure, less parameters, and lower computation cost, resulting in better classification performance. To further alleviate the small sample problem, we also propose two transfer learning strategies: 1) cross-sensor strategy, in which we pretrain a 3-D model in the source HSI data sets containing a greater number of labeled samples and then transfer it to the target HSI data sets and 2) cross-modal strategy, in which we pretrain a 3-D model in the 2-D RGB image data sets containing a large number of samples and then transfer it to the target HSI data sets. In contrast to previous approaches, we do not impose restrictions over the source data sets, in which they do not have to be collected by the same sensors as the target data sets. Experiments on three public HSI data sets captured by different sensors demonstrate that our model achieves competitive performance for HSI classification compared to several state-of-the-art methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
雪花完成签到 ,获得积分10
5秒前
颜陌完成签到,获得积分10
6秒前
科研通AI2S应助颜陌采纳,获得10
12秒前
15秒前
研友_LkD29n完成签到 ,获得积分10
17秒前
kmzzy完成签到,获得积分10
28秒前
快乐的90后fjk完成签到 ,获得积分10
34秒前
科研通AI2S应助1250241652采纳,获得10
35秒前
希望天下0贩的0应助perma123采纳,获得10
42秒前
00完成签到 ,获得积分10
46秒前
天天完成签到 ,获得积分10
57秒前
大头完成签到 ,获得积分10
1分钟前
柳叶坚刀完成签到,获得积分10
1分钟前
小西完成签到 ,获得积分10
1分钟前
温婉的凝丹完成签到 ,获得积分10
1分钟前
zz完成签到 ,获得积分10
1分钟前
Lucas应助sofardli采纳,获得30
1分钟前
星光完成签到 ,获得积分10
1分钟前
浮云完成签到 ,获得积分10
1分钟前
深情安青应助科研通管家采纳,获得10
1分钟前
研友_5Z4ZA5完成签到,获得积分10
1分钟前
dajiejie完成签到 ,获得积分10
1分钟前
结实的小土豆完成签到 ,获得积分10
1分钟前
jessie完成签到 ,获得积分10
2分钟前
lin完成签到 ,获得积分10
2分钟前
2分钟前
2分钟前
perma123发布了新的文献求助10
2分钟前
从容栾发布了新的文献求助10
2分钟前
调皮从筠完成签到 ,获得积分10
2分钟前
perma123完成签到,获得积分10
2分钟前
丘比特应助从容栾采纳,获得10
2分钟前
蓝色白羊完成签到 ,获得积分10
2分钟前
Glory完成签到 ,获得积分10
2分钟前
wangye完成签到 ,获得积分10
2分钟前
guoxihan完成签到,获得积分10
3分钟前
寒战完成签到 ,获得积分10
3分钟前
小杨完成签到,获得积分10
3分钟前
嫁个养熊猫的完成签到 ,获得积分10
4分钟前
三伏天完成签到,获得积分10
4分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
叶剑英与华南分局档案史料 500
Foreign Policy of the French Second Empire: A Bibliography 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146832
求助须知:如何正确求助?哪些是违规求助? 2798126
关于积分的说明 7826730
捐赠科研通 2454695
什么是DOI,文献DOI怎么找? 1306446
科研通“疑难数据库(出版商)”最低求助积分说明 627788
版权声明 601565