双分支CNN-多源-RS-分类

双分支CNN-多源-RS-分类

本实例实现了基于卷积神经网络的多源遥感数据分类

一种双分支CNN架构，用于与HSI和其他远程信息图像融合。达到相当高的分类准确度。评估休斯顿，特伦托，萨利纳斯和帕维亚的数据集。

先决条件

• 系统Ubuntu 14.04或更高版本
• Python 2.7或3.6
• 套餐

pip install -r requirements.txt

用法

数据集利用率

请修改data_util.py中的行以获取数据集详细信息。

训练

1. 培训HSI

python main.py --train hsi --epochs 20 --modelname ./logs/weights/hsi.h5

1. 培训LiDAR / VIS

python main.py --train lidar --epochs 20 --modelname ./logs/weights/lidar.h5

1. 训练两个分支

python main.py --train finetune --epochs 20 --modelname ./logs/weights/model.h5

结果

所有结果均来自原始论文。更多细节可以在论文中找到。

数据集	卡帕	OA
休斯顿	0.8698	87.98％
特伦托	0.9681	97.92％
帕维亚	0.9883	99.13％
萨利纳斯	0.9745	97.72％

引文

如果您需要使用此代码进行研究，请引用我们的论文。

@article{xu2017multisource,
  title={Multisource Remote Sensing Data Classification Based on Convolutional Neural Network},
  author={Xu, Xiaodong and Li, Wei and Ran, Qiong and Du, Qian and Gao, Lianru and Zhang, Bing},
  journal={IEEE Transactions on Geoscience and Remote Sensing},
  year={2017},
  publisher={IEEE}
}

去做

1. PyTorch版本。
2. 更灵活的数据集利用率