基于特征融合FRCNet的草地高光谱识别分类研究

摘要

为解决高光谱草地识别分类任务中存在的精度低、计算成本高的问题，提出了FRCNet(faster R-CNN,FRC)网络模型。通过无人机搭载高光谱成像仪进行草地平扫拍摄，建立四种类别的草地高光谱数据集。采用高斯滤波器与主成分分析法（principal component analysis,PCA）对高光谱图像降噪与降维处理，建立主要由FRC模块与FAC模块组成的FRCNet网络模型进行分类任务。实验采用平均精度（average accuracy,AA）、总体精度（overall accuracy,OA）、F1分数与运行时间作为性能指标，并且使用八种方法与FRCNet进行对比实验。结果表明，FRCNet网络表现最好，AA为93.36%,OA为93.49%,F1分数为96.64，较其他方法准确度提高了10%～20%。同时使用三个公开数据集进行对比试验，FRCNet表现最好，准确度提升了2%～20%。研究结果证明，FRCNet网络模型在高光谱草地分类任务中的有效性，可以作为当前高光谱精度低、计算成本高问题的一种高效解决方案。

关键词

高光谱影像分类 / 识别分类 / 特征融合 / 重参数化重聚焦卷积 / 注意力机制