残差网络分层融合的高光谱地物分类

高光谱图像具有较高的空间分辨率，蕴含着丰富的空间光谱信息，近年来被广泛用于城市地物分类中。在高光谱图像分类过程中，空间光谱特征的提取直接影响着分类精度；传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理，因而丢失了大量的复杂、有效信息；卷积神经网络（CNN）虽然可以自动提取空间光谱特征，在保留图像空间信息的同时，简化网络模型，但是，随着网络深度增加，网络分类产生退化现象，而且网络间缺乏相关信息的互补性，从而影响分类精度。该工作引入CNN自动提取空间光谱特征，并且针对CNN深度增加所导致的退化问题，设计了面向地物分类的高光谱特征融合残差网络。首先，为了降低高光谱图像的光谱冗余度，利用PCA提取主要光谱波段；然后，为了逐级提取光谱图像的空间光谱特征，定义了卷积核为16，32，64的低、中、高3层残差网络模块，并利用64个1×1的卷积核对3层特征输出进行卷积，完成维度匹配与特征图融合；接着，对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量；最后，引入具有可调节机制的Large-Margin Softmax损失函数，监督模型完成训练过程，实现高光谱图像分类。实验采用Indian Pines，University of Pavia和Salinas地区的高光谱图像来验证方法有效性，设置批次训练的样本集为100，网络训练的初始学习率为0.1，当损失函数稳定后学习率降低为0.001，动量为0.9，权重延迟为0.000 1，最大训练迭代次数为2×104，当3个数据集的样本块像素分别设置为25×25，23×23，27×27，网络深度分别为28，32和28时，3个数据集的分类准确率最高，其平均总体准确率（OA）为98.75%、平均准确率（AA）的评价值为98.1%，平均Kappa系数为0.98。实验结果表明，基于残差网络的分类方法能够自动学习更丰富的空间光谱特征，残差网络层数的增加和不同网络层融合可以提高高光谱分类精度；Large-Margin Softmax实现了类内紧凑和类间分离，可以进一步提高高光谱图像分类精度。     

关于AP-内射环和AGP-内射环(英文)

本文研究了AP-内射环和AGP-内射环的von Neumann正则性问题.利用P-内射环和Y J-内射环的研究方法及GW-理想的性质,得到了AP-内射环和AGP-内射环是(强)正则环的一些条件.推广了文献[7,12,14]中的相关结果.