elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

A Self-Improving Convolution Neural Network for the Classification of Hyperspectral Data

Ghamisi, Pedram und Chen, Yushi und Zhu, Xiao Xiang (2016) A Self-Improving Convolution Neural Network for the Classification of Hyperspectral Data. IEEE Geoscience and Remote Sensing Letters, 13 (10), Seiten 1537-1541. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/LGRS.2016.2595108. ISSN 1545-598X.

[img] HTML
3kB
[img] PDF
286kB

Offizielle URL: http://ieeexplore.ieee.org/document/7544576/

Kurzfassung

In this letter, a self-improving convolutional neural network (CNN) based method is proposed for the classification of hyperspectral data. This approach solves the so-called curse of dimensionality and the lack of available training samples by iteratively selecting the most informative bands suitable for the designed network via fractional order Darwinian particle swarm optimization. The selected bands are then fed to the classification system to produce the final classification map. Experimental results have been conducted with two well-known hyperspectral data sets: Indian Pines and Pavia University. Results indicate that the proposed approach significantly improves a CNN-based classification method in terms of classification accuracy. In addition, this letter uses the concept of dither for the first time in the remote sensing community to tackle overfitting.

elib-URL des Eintrags:https://elib.dlr.de/106348/
Dokumentart:Zeitschriftenbeitrag
Titel:A Self-Improving Convolution Neural Network for the Classification of Hyperspectral Data
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Ghamisi, PedramDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Chen, YushiHarbin Institute of TechnologyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Oktober 2016
Erschienen in:IEEE Geoscience and Remote Sensing Letters
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:13
DOI:10.1109/LGRS.2016.2595108
Seitenbereich:Seiten 1537-1541
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Frery, Alejandro C.acfrery (at) gmail.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:1545-598X
Status:veröffentlicht
Stichwörter:Convolutional neural network (CNN), deep learning, feature selection, fractional order Darwinian particle swarm optimization (FODPSO), hyperspectral image classification.
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > SAR-Signalverarbeitung
Hinterlegt von: Ghamisi, Pedram
Hinterlegt am:19 Okt 2016 09:57
Letzte Änderung:27 Nov 2023 12:57

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.