改进Res2Net和注意力机制的高光谱图像分类

摘要：

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%.

关键词：高光谱图像、注意力机制、残差网络、可分离卷积

所属期刊栏目：59

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金61863025

在线出版日期：2023-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：151-158