首页 | 本学科首页   官方微博 | 高级检索  
     检索      

联合Bi-LSTM和注意力加强多尺度卷积的黄河三角洲湿地高光谱图像分类方法研究
引用本文:徐美论,李忠伟,王雷全,李娟,胡亚斌,梁建.联合Bi-LSTM和注意力加强多尺度卷积的黄河三角洲湿地高光谱图像分类方法研究[J].海洋科学,2023,47(5):27-40.
作者姓名:徐美论  李忠伟  王雷全  李娟  胡亚斌  梁建
作者单位:中国石油大学(华东)海洋与空间信息学院, 山东 青岛 266580;中国石油大学(华东)计算机科学与技术学院, 山东 青岛 266580;自然资源部 第一海洋研究所, 山东 青岛 266061;南通智能感知研究院, 江苏 南通 226007
基金项目:山东省联合基金项目(U1906217);国家自然科学基金项目(62071491)
摘    要:近年来,面向黄河口的监测需求日益增大,如黄河入海流路改道至清水沟路以来,在新老河道的交汇处存在着丰富的地物类别,对于这些地物类别的检测识别研究有助于掌握生态环境状态,对于黄河口的湿地保护以及国家改善环境的战略支持具有重要意义。因此,本文提出一种新的湿地高光谱图像分类方法,分双路分别提取图像的空谱特征并融合分类。光谱维采用分组预处理的双向长短期记忆网络(Bi-LSTM)有效学习光谱特征;空间维采用注意力加强的多尺度卷积网络有效增强所提取的空谱特征,使得分类结果更具准确性。本文实验应用覆盖黄河入海口新老河道交界处的成像光谱仪(Compact High Resolution Imaging Spectrometer,CHRIS)所采集的数据和黄河三角洲自然保护区滨海湿地高分5号传感器(GF-5)所采集的高光谱图像开展。结果表明:分组与双向长短期记忆网络(Bi-LSTM)的有效结合显著提升了网络性能,同其他监督分类方法相比提升约3%~8%,此外注意力机制的加入同比增加约3%,在使用1%的极少训练集下数据集CHRIS和GF-5的总体分类精度分别达到92.3%和86.11%。

关 键 词:高光谱图像分类  黄河三角洲  分组  多尺度  注意力机制
收稿时间:2022/4/29 0:00:00
修稿时间:2022/12/30 0:00:00

Combined Bi-LSTM and attention enhancement multiscale convolution for wetland hyperspectral image classification in the Yellow River Delta
XU Mei-lun,LI Zhong-wei,WANG Lei-quan,LI Juan,HU Ya-bin,LIANG Jian.Combined Bi-LSTM and attention enhancement multiscale convolution for wetland hyperspectral image classification in the Yellow River Delta[J].Marine Sciences,2023,47(5):27-40.
Authors:XU Mei-lun  LI Zhong-wei  WANG Lei-quan  LI Juan  HU Ya-bin  LIANG Jian
Institution:College of Oceanography and Spatial Information, China University of Petroleum(East China), Qingdao 266580, China;College of Computer Science and Technology, China University of Petroleum(East China), Qingdao 266580, China;Ministry of Natural Resources, First Institute of Oceanography, Qingdao 266061, China; Nantong Intelligent Perception Research Institute, Nantong 226007, China
Abstract:
Keywords:hyperspectral image classification  Yellow River Delta  grouping  multiscale  attentional mechanism
点击此处可从《海洋科学》浏览原始摘要信息
点击此处可从《海洋科学》下载免费的PDF全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号