10.3778/j.issn.1002-8331.2211-0021
改进Res2Net和注意力机制的高光谱图像分类
针对目前以卷积神经网络(CNN)为框架的高光谱图像分类模型参数量多,训练时间长,对样本数量依赖性大的问题,提出了一种改进Res2Net和注意力机制的高光谱图像分类模型.该模型首先使用主成分分析(PCA)对原始图像的通道维度进行降维,将降维后的数据输入三维空洞卷积层,并添加空间注意力模块以强化空间纹理特征;将所得特征映射输入两组空间-深度可分离残差结构结合通道注意力模块中,使用全局平均池化层将输出映射转换成一维向量;经过Softmax分类器获得分类标签.实验结果显示,该模型参数数量少,收敛速度快,使用少量训练样本在Indian Pines和Pavia University数据集上总体分类精度(OA)分别为98.95%和99.46%.
高光谱图像、注意力机制、残差网络、可分离卷积
59
TP751.1(遥感技术)
国家自然科学基金61863025
2023-10-16(万方平台首次上网日期,不代表论文的发表时间)
共8页
151-158