用于监督超光谱图像分类的光谱空间域特定卷积深度极限学习机

光谱空间特征提取对高光谱图像(HSI)分类非常重要。 与传统的特征提取方法不同,诸如卷积神经网络(CNN)之类的深度学习模型可以自动学习光谱空间判别特征。 但是,深度学习模型通常需要构建一个庞大而复杂的网络,并且培训非常耗时。 为了解决这些问题,本文提出了一种谱空间特定的卷积深度极限学习机(ELM),称为S2CDELM,用于HSI分类。 首先,利用局部感受域(LRF)的概念,构造了具有两个分支的光谱空间卷积学习模块,分别用于光谱和空间特征提取。 具体地,通过使用随机卷积节点但不反向传播来构造卷积学习模块,其中分别设计了谱分支和空间分支。 然后将提取的特征进行级联并馈送到完全连接的堆叠式ELM网络中,以进一步利用光谱空间信息进行分类。由于随机生成ELM的卷积滤波器和输入权重,因此整个框架紧凑,简单,快速构建。 在流行的HSI基准数据集上的实验结果表明,与几种最新的分类器相比,S2CDELM可以提供令人满意的分类性能和快速的学习速度。