基于残差网络特征融合的高光谱图像分类

韩彦岭, 崔鹏霞, 杨树瑚, 刘业锟, 王静, 张云

Classification of hyperspectral image based on feature fusion of residual network

HAN Yanling, CUI Pengxia, YANG Shuhu, LIU Yekun, WANG Jing, ZHANG Yun

表5 不同方法的对比结果

Tab.5 Comparison results of different methods

模型 太湖 巢湖 OA/% Kappa×100 OA/% Kappa×100 孪生网络 61.27 ± 0.86 52.12 ± 0.15 64.57 ± 0.59 53.48 ± 0.25 SVM 76.73 69.02 80.40 70.52 CNN 86.23 ± 0.92 79.44 ± 1.47 83.25 ± 1.22 75.08 ± 2.47 GLCMCNN 88.94 ± 0.26 80.23 ± 0.33 85.32 ± 0.46 78.23 ± 0.7 传统残差网络 90.07 ± 1.88 85.41 ± 2.83 89.26 ± 1.18 84.18 ± 1.56 本文方法 92.27 ± 2.45 86.60 ± 4.00 91.31 ± 3.07 87.14 ± 4.64