Las imágenes hiperespectrales son un área de investigación activa con muchas aplicaciones en la teledetección, la exploración de minerales y la supervisión medioambiental. El aprendizaje profundo y, en particular, los enfoques basados en la convolución son los modelos de clasificación más avanzados actualmente. Sin embargo, en presencia de conjuntos de datos hiperespectrales ruidosos, estas redes neuronales convolucionales profundas tienen un rendimiento inferior. En este trabajo, proponemos un enfoque de aumento de características para aumentar la resistencia al ruido en la clasificación hiperespectral desequilibrada. Nuestro método calcula características basadas en el contexto y utiliza una red neuronal convolucional profunda (DCN). Probamos nuestro enfoque propuesto en los conjuntos de datos de Pavia y comparamos tres modelos, DCN, PCA DCN y nuestro DCN basado en el contexto, utilizando los conjuntos de datos originales y los conjuntos de datos más ruido. Nuestros resultados experimentales muestran que el DCN y el PCA DCN funcionan bien en los conjuntos de datos originales, pero no en los conjuntos de datos con ruido. Nuestra DCN robusta basada en el contexto fue capaz de superar a las demás en presencia de ruido y fue capaz de mantener una precisión de clasificación comparable en imágenes hiperespectrales limpias.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Síntesis hidrotérmica asistida por ácido oxálico y luminiscencia de micro/nanoplatos hexagonales de NaYF4:Ln3 (Ln = Sm, Eu, Yb/Er)
Artículo:
Formulación y evaluación térmica y reológica de betún sintético a partir de polipropileno reprocesado y petróleo
Artículo:
Desarrollo de un pluviómetro capacitivo para el medio marino
Artículo:
Propiedades magnéticas de películas amorfas de Co-Fe-B tratadas termomagnéticamente con diferentes direcciones de campo
Artículo:
Etapa inicial de la consolidación de nanocristales de carburo de silicio bajo presión: Un estudio de dinámica molecular de enlace estrecho