基于TBTA网络的高光谱图像分类

摘要：

近年来,利用深度学习方法对高光谱图像(Hyperspectral Image,HSI)进行分类受到了研究人员和学者的广泛关注.为了充分利用HSI丰富的光谱和空间信息,并考虑到HSI小样本高维度的特点,提出了一种三分支三重注意力机制(Triple-Branch Ternary-Attention,TBTA)网络结构.在TBTA中,基于DenseNet和3D-CNN,设计了三个分支来分别提取高光谱图像中包含的光谱特征、空间x轴方向的特征和空间y轴方向的特征,可以将三种特征分离开.在三个分支中分别引人了其特征方向的注意力机制,针对信息丰富的光谱波段设计了光谱注意块,信息丰富的像素点分别设计了空间X和空间Y注意块,使得TBTA能够对提取的特征进行细化.在4个高光谱数据集上进行了实验,并对比了 5种算法:SVM、CDCNN、SSRN、FDSSC、DBMA,实验结果表明本文的算法在OA、AA、KAPPA等评价标准均获得了更好的效果,其中TBTA的OA指标比次优的算法平均提高0.1％-2.08％.

关键词：高光谱图像分类、深度学习、光谱特征、注意力机制

所属期刊栏目：40

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;中央级基本科研业务费资助项目

在线出版日期：2023-03-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：239-250,409