摘要
针对高光谱图像分类中人工标注样本成本高、耗时多，且大量未标注样本未能有效利用，导致分类效果不理想的问题，本文提出一种新方法。该方法能够筛选出具有高价值的训练样本，并结合卷积神经网络提取高光谱图像的光谱-空间特征以实现分类。具体而言，采用主动学习策略，通过支持向量机（SVM）在小样本条件下表现出色的分类能力，迭代选择置信度最低、最具不确定性的样本进行人工标注，逐步构建高质量的训练样本集。随后，利用三维卷积神经网络（3D CNN）提取高光谱图像的光谱-空间联合特征。在Indian Pines与PaviaU两个标准数据集上的实验结果表明，所提出的3D VS-CNN方法在分类性能上优于传统分类方法。