SSRN:Spectral-Spatial residual network for HSI classification「建议收藏」

SSRN:Spectral-Spatial residual network for HSI classification「建议收藏」1.introduction2.SSRN结构2.13D-CNN&BN输入数据是三维立方体数据:长、宽、深度(光谱带数)2.2光谱残差块&空间残差块光谱残差块:残差块包括两个连续的3D卷积层,然后在两个3D卷积层之间使用

1.introduction

在这里插入图片描述

2.SSRN结构

2.1 3D-CNN & BN

输入数据是三维立方体数据:长、宽、深度(光谱带数)
在这里插入图片描述

2.2 光谱残差块 & 空间残差块

光谱残差块:

在这里插入图片描述

  • 残差块包括两个连续的3D卷积层,然后在两个3D卷积层之间使用残差连接
  • kernel_size = 1 * 1 * m,padding=(0 , 0 , 3) , stride = (1,1,1),相当于在光谱维度上滑动,即在光谱维度上进行卷积运算,可以保证提取光谱特征,同时设置光谱维度padding = 3,保证卷积后,输入数据的size不变,同时也方便残差连接时对应值相加。

空间残差块:

在这里插入图片描述

  • kernel_size = (a,a,d) , padding = (1,1,0),stride = (1,1,1),相当于在空间维度上滑动,在空间维度上卷积运算,同时设置padding,保证输入输出前后尺寸不变,方便残差连接。

3.以Indian_pines数据集为例,描述SSRN

在这里插入图片描述

  1. Indian_pines以输入7 * 7 * 200为例(取每一个像素的邻域三维体,然后中心像素对应类别为该邻域体的标签)
  2. 首先在第一个卷积层中,卷积核大小为24个(1,1,7),输出为24个(7 ,7,97 ),这样降低了光谱维度
  3. 然后接两个光谱残差块学习光谱特征,在光谱残差块中卷积核大小24个(1,1,7),同时采用padding=(0,0,3)填充,保证学习到光谱特征,同时尺寸不变
  4. 两个光谱残差块之后,再接一个卷积层,卷积核大小为128个(1,1,97),输出为128个(7,7,1),用于保持光谱特征,这儿在转换一下维度变为1个(7,7,128),
  5. 再接一个卷积层,卷积核大小24个(3,3,128),输出24个(5,5,1)
  6. 然后进入空间残差块,

今天的文章SSRN:Spectral-Spatial residual network for HSI classification「建议收藏」分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/88982.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注