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

Deep Fusion of Remote Sensing Data for Accurate Classification

Chen, Yushi und Li, Chunyang und Ghamisi, Pedram und Jia, Xiuping und Gu, Yanfeng (2017) Deep Fusion of Remote Sensing Data for Accurate Classification. IEEE Geoscience and Remote Sensing Letters, 14 (8), Seiten 1253-1257. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/LGRS.2017.2704625. ISSN 1545-598X.

[img] PDF
245kB

Offizielle URL: http://ieeexplore.ieee.org/document/7940007/

Kurzfassung

The multisensory fusion of remote sensing data has obtained a great attention in recent years. In this letter, we propose a new feature fusion framework based on deep neural networks (DNNs). The proposed framework employs deep convolutional neural networks (CNNs) to effectively extract features of multi-/hyperspectral and light detection and ranging data. Then, a fully connected DNN is designed to fuse the heterogeneous features obtained by the previous CNNs. Through the aforementioned deep networks, one can extract the discriminant and invariant features of remote sensing data, which are useful for further processing. At last, logistic regression is used to produce the final classification results. Dropout and batch normalization strategies are adopted in the deep fusion framework to further improve classification accuracy. The obtained results reveal that the proposed deep fusion model provides competitive results in terms of classification accuracy. Furthermore, the proposed deep learning idea opens a new window for future remote sensing data fusion.

elib-URL des Eintrags:https://elib.dlr.de/112797/
Dokumentart:Zeitschriftenbeitrag
Titel:Deep Fusion of Remote Sensing Data for Accurate Classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Chen, Yushiharbin institute of technologyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Li, Chunyangharbin institute of technologyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ghamisi, Pedramdlr-imf/tum-lmfNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Jia, Xiupinguniversity of new south walesNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gu, Yanfengharbin institute of technologyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:August 2017
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:14
DOI:10.1109/LGRS.2017.2704625
Seitenbereich:Seiten 1253-1257
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), data fusion, deep neural network (DNN), feature extraction (FE), multispectral image (MSI), hyperspectral image (HSI), light detection and ranging (LiDAR).
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:20 Jun 2017 15:50
Letzte Änderung:31 Jul 2019 20:10

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.