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

Fully conv-deconv network for unsupervised spectral-spatial feature extraction of hyperspectral imagery via residual learning

Mou, Lichao und Ghamisi, Pedram und Zhu, Xiaoxiang (2017) Fully conv-deconv network for unsupervised spectral-spatial feature extraction of hyperspectral imagery via residual learning. In: Proceedings of IGARSS 2017, Seiten 1-4. IEEE Xplore. IGARSS 2017, 2017-07-23 - 2017-07-28, Fort Worth, TX, USA. doi: 10.1109/igarss.2017.8128169.

[img] PDF
1MB

Offizielle URL: http://www.igarss2017.org/

Kurzfassung

Supervised approaches classify input data using a set of representative samples for each class, known as training samples. The collection of such samples are expensive and time-demanding. Hence, unsupervised feature learning, which has a quick access to arbitrary amount of unlabeled data, is conceptually of high interest. In this paper, we propose a novel network architecture, fully Conv-Deconv network with residual learning, for unsupervised spectral-spatial feature learning of hyperspectral images, which is able to be trained in an end-to-end manner. Specifically, our network is based on the so-called encoder-decoder paradigm, i.e., the input 3D hyperspectral patch is first transformed into a typically lower-dimensional space via a convolutional sub-network (encoder), and then expanded to reproduce the initial data by a deconvolutional sub-network (decoder). Experimental results on the Pavia University hyperspectral data set demonstrate competitive performance obtained by the proposed methodology compared to other studied approaches.

elib-URL des Eintrags:https://elib.dlr.de/118271/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Fully conv-deconv network for unsupervised spectral-spatial feature extraction of hyperspectral imagery via residual learning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Mou, Lichaolichao.mou (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ghamisi, PedramDLR-IMF/TUM-LMFNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiaoxiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Juli 2017
Erschienen in:Proceedings of IGARSS 2017
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.1109/igarss.2017.8128169
Seitenbereich:Seiten 1-4
Verlag:IEEE Xplore
Status:veröffentlicht
Stichwörter:Convolutional network, deconvolutional network, hyperspectral image classification, residual learning, unsupervised spectral-spatial feature learning
Veranstaltungstitel:IGARSS 2017
Veranstaltungsort:Fort Worth, TX, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:23 Juli 2017
Veranstaltungsende:28 Juli 2017
Veranstalter :IEEE
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: Mou, LiChao
Hinterlegt am:18 Jan 2018 13:35
Letzte Änderung:24 Apr 2024 20:22

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.