A Hybrid Deep ResNet and Inception Model for Hyperspectral Image Classification
- PDF / 1,963,447 Bytes
- 14 Pages / 595.276 x 790.866 pts Page_size
- 99 Downloads / 237 Views
DGPF
ORIGINAL ARTICLE
A Hybrid Deep ResNet and Inception Model for Hyperspectral Image Classification Bandar Alotaibi1 · Munif Alotaibi2 Received: 29 April 2018 / Accepted: 10 August 2020 © Deutsche Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation (DGPF) e.V. 2020
Abstract Over the past few decades, hyperspectral image (HSI) classification has garnered increasing attention from the remote sensing research community. The largest challenge faced by HSI classification is the high feature dimensions represented by the different HSI bands given the limited number of labeled samples. Deep learning and convolutional neural networks (CNNs), in particular, have been shown to be highly effective in several computer vision problems such as object detection and image classification. In terms of accuracy and computational cost, one of the best CNN architectures is the Inception model i.e., the winner of the ImageNet Large Scale Visual Recognition Competition (ILSVRC) 2014 challenge. Another architecture that has significantly improved image recognition performance is the Residual Network (ResNet) architecture i.e., the winner of the ILSVRC 2015 challenge. Inspired by the incredible performance introduced by the Inception and ResNet architectures, we investigate the possibility of combining the core ideas of these two models into a hybrid architecture to improve the HSI classification performance. We tested this combined model on four standard HSI datasets, and it shows competitive results compared with other existing HSI classification methods. Our hybrid deep ResNet-Inception architecture obtained accuracies of 95.31% on the Pavia University dataset, 99.02% on the Pavia Centre scenes dataset, 95.33% on the Salinas dataset and 90.57% on the Indian Pines dataset. Keywords Hyperspectral image (HSI) classification · Remote sensing · Convolutional neural network (CNN) · Residual neural network (ResNet) · Machine learning · Data mining · Deep learning Zusammenfassung Ein hybrides Deep ResNet- und Inception-Modell für die hyperspektrale Bildklassifikation. In den letzten Jahrzehnten ist die Aufmerksamkeit für die Klassifizierung von Hyperspektralen Bilddaten (HSI) in der Fernerkundung gestiegen. Die größte Herausforderung ist dabei die hohe Dimension an Merkmalen, die die verschiedenen HSI-Bänder angesichts der begrenzten Anzahl an Referenzdaten darstellen. Insbesondere Deep Learning und Convolutional Neural Networks (CNNs) haben sich bei verschiedenen computergestützten Visualisierungsproblemen als äußerst effektiv erwiesen. In Bezug auf Genauigkeit und Rechenaufwand ist eine der besten CNN-Architekturen das Inception-Modell, der Gewinner der ImageNet Large Scale Visual Recognition Competition (ILSVRC) 2014. Eine weitere Architektur, die die Bilderkennung erheblich verbessert hat, ist die Residual Network (ResNet) Architektur, der Gewinner der ILSVRC 2015. Inspiriert durch die Leistung, die durch die Inception- und ResNet-Architekturen eingeführt wurde, untersuchen wir die Möglichkeit, die Kernideen dieser bei
Data Loading...
