《表8 Indian数据集的网络结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合未标签样本和CNN的高光谱遥感图像分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

文献[13]中所提出的模型更轻量，且易训练、易调参，我们借鉴了其模型优势，并在算法和模型上加以改进。在本文中，网络的输入统一设置为邻域大小为5×5×B的三维数据块，B为输入的波段数。在近邻未标签样本的选择中，通过实验分别为Salinas、Indian、Pavia University 3个数据集中每个标签样本选择1、2、3个未标签样本。最终Salinas数据集的输入大小为5×5×218，其中218=204+8+6×1，类似地，Indian数据集的输入大小为5×5×218，Pavia University数据集的输入大小为5×5×123。每种分类方法均在随机选择训练样本的前提下重复5次，将5次实验结果累加求平均后的结果作为最终分类结果。根据输入大小对所设计网络的超参数进行微调，最终的网络结构包含2层卷积层，1层Dropout层，1层全连接层以及输入层和输出层，最后通过Softmax分类器和交叉熵代价函数训练模型。将输入数据归一化至[0，1]，模型的学习率设置为0.001，Dropout值为0.5，批量输入网络的数据量大小为20，Salinas、Indian、Pavia University3个数据集的训练迭代次数分别设置为15 000、6 000、20 000。3个数据集的网络结构如表7、表8、表9所示。