一种引入注意力机制的多尺度高光谱图像特征提取方法

近年来,随着深度学习的发展,基于深度学习的特征提取方法在高光谱图像领域表现出良好的发展前景。提出了一种引入注意力机制的多尺度高光谱图像特征提取方法,包括光谱特征提取网络和空间特征提取网络两个部分,并使用一种得分融合策略进行融合。在光谱特征提取网络中,引入注意力机制来缓解因光谱维数过高导致的梯度消失问题,以提取多尺度的光谱特征。在空间特征提取网络中,引入注意力机制作用于网络主干,使其关注邻域内的重要部分,帮助分支网络提取关键信息。将5种光谱特征提取方法、3种空间特征提取方法以及3种空间-光谱联合特征提取方法在3个数据集上进行对比实验,实验结果表明,所提方法能够稳定、有效地提升高光谱图像的分类准确率。

结合注意力机制的双流卷积自编码高光谱解混方法

针对基于卷积自编码进行空-谱联合的高光谱解混方法中,过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象,提出一种结合注意力机制的双流卷积自编码高光谱解混方法(DSCU-Net)。首先,利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征;其次,为了确保空间特征和光谱特征之间的平衡性,引入通道注意力机制对提取到的空间特征进行重加权,并对光谱特征和重加权后的空间特征进行融合;最后,使用融合后的特征进行高光谱图像重构,并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能,在两个真实数据集上进行实验,并对复杂场景下算法的性能表现进行分析。结果表明,DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象,具有更好的解混性能。

一种改进的半分析模型的高光谱遥感水深反演方法

利用高光谱遥感的浅海水深反演由于具有成本低、精度高等特点,近年来已经逐步发展成为一种探测水柱参数的可靠方法。半分析模型是一种应用广泛的高光谱遥感浅海水深反演模型,MILEBI (maximum likelihood estimation including environmental noise and bottom intra-class variability)方法为基于半分析模型的一种反演方法。鉴于水深增加时MILEBI会出现水深被高估的问题,本文提出一种改进的半分析模型的水深反演方法。本方法通过增设关于深度的先验分布,然后在MILEBI方法的损失函数中加入正则化项构成新的目标函数,使深度值对水面下反射率影响力增大,从而提高水深反演精度。本文运用了真实数据集和模拟数据集进行实验,实验结果表明:在15—20 m的深度范围内,MILEBI方法的平均绝对误差约为4.27 m,而改进后方法的平均绝对误差约为2.27 m,提高了反演精度。