融合注意力空洞残差网络的高光谱图像分类方法

针对高光谱图像数据高维的特点,为进一步提高图像分类准确率,设计一种融合注意力机制的三维空洞卷积神经网络模型用于高光谱分类问题。该方法以3D卷积为基础,使用多尺寸卷积核策略,从不同尺度提取高光谱图像的特征信息;使用空洞结构卷积核,可有效提取特征信息,同时增加网络的感受野。提出一种空间-光谱注意力模块,自适应聚焦信息,增加高光谱图像空间、光谱的特征表达能力。提出的方法在University of Pavia和Indian Pines等公开数据集上测试,分别取得99.61%、99.58%的总体分类准确率。与SVM、2D-CNN、3D-CNN、RES-3D-CNN算法进行比较,该文提出的算法在准确率和分类性能上优于其他算法。

混合深度CNN联合注意力的高光谱图像分类

深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。