高光谱图像输入卷积神经网络的维度问题
现在处理高光谱影像大多使用3D-CNN，对于高斯光谱数据而言，输入网络模型的shape是（x,y,z）这种形式，x，y是长宽尺寸，而z是光谱维度，IN数据集一般是200，UP数据集一般是103。keras中Conv2D的输入张量尺寸：(samples, rows, cols, channels)Conv3D的输入张量尺寸：(samples, conv_dim1, conv_dim2, conv_d
现在处理高光谱影像大多使用3D-CNN，对于高斯光谱数据而言，输入网络模型的shape是（x,y,z）这种形式，x，y是长宽尺寸，而z是光谱维度，IN数据集一般是200，UP数据集一般是103。
keras中Conv2D的输入张量尺寸：(samples, rows, cols, channels)
Conv3D的输入张量尺寸：(samples, conv_dim1, conv_dim2, conv_dim3, channels)
Conv2D的输入应该是一个4D，第一维是batch，后面三维是长，宽，三基色，这个在高分影像数据集上就是这样，和普通光学影像的输入没有什么区别。
Conv3D的输入是一个5D，第一维也是batch，最后一维也是通道，通道通常会和后面的滤波器的核的个数相关联，卷积核数目的变化就在这个维度上，对于高光谱数据来说，输入的channel，我们通常处理成1，以IN为例的话，也就是（1，224,224,200），batch这个维度在实际运算中会有体现。
Conv3D的卷积核操作和Conv2D是有区别的，Conv2D利用一个滑窗在卷积上滑动，产生feature map，有多少个核就产生多少个feature map。但是Conv3D是沿着光谱维度进行运算，同时在空间上进行滑窗操作，产生的同样是三维的feature map，有多少核就产生多少个feature map。
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
3
0- 0
已为社区贡献12条内容
所有评论(0)