Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification

要約

ハイパースペクトル画像は、その分類の複雑さから研究者の注目を集めています。
材料とHSI画像によって提供されるスペクトル情報の間には非線形の関係があります。
深層学習手法は、従来の機械学習手法と比較して、この非線形性の学習において優れていることが示されています。
3-D CNN を 2-D CNN とともに使用すると、空間およびスペクトルの特徴を学習するのに大きな成功を収めています。
ただし、比較的多くのパラメータが使用されます。
また、層間の情報を学習することは効果的ではありません。
したがって、この論文では、3 次元 CNN、2 次元 CNN、Bi-LSTM を組み合わせたニューラル ネットワークを提案します。
このモデルのパフォーマンスは、Indian Pines(IP)、パビア大学(PU)、およびサリナス シーン(SA) データセットでテストされています。
結果は、最先端の深層学習ベースのモデルと比較されます。
このモデルは、3 つのデータセットすべてでパフォーマンスが向上しました。
IP、PU、SA データセットの最先端モデルのわずか 30% のトレーニング可能なパラメーターを使用して、それぞれ 99.83、99.98、および 100% の精度を達成できました。

要約(オリジナル)

Hyper spectral images have drawn the attention of the researchers for its complexity to classify. It has nonlinear relation between the materials and the spectral information provided by the HSI image. Deep learning methods have shown superiority in learning this nonlinearity in comparison to traditional machine learning methods. Use of 3-D CNN along with 2-D CNN have shown great success for learning spatial and spectral features. However, it uses comparatively large number of parameters. Moreover, it is not effective to learn inter layer information. Hence, this paper proposes a neural network combining 3-D CNN, 2-D CNN and Bi-LSTM. The performance of this model has been tested on Indian Pines(IP) University of Pavia(PU) and Salinas Scene(SA) data sets. The results are compared with the state of-the-art deep learning-based models. This model performed better in all three datasets. It could achieve 99.83, 99.98 and 100 percent accuracy using only 30 percent trainable parameters of the state-of-art model in IP, PU and SA datasets respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google