混合深度CNN联合注意力的高光谱图像分类

摘要：

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％.

关键词：高光谱图像分类、核主成分分析(KPCA)、卷积神经网络(CNN)、光谱-空间注意力机制、深度学习

所属期刊栏目：17

分类号：TP751.1(遥感技术)

资助基金：国家自然科学基金;甘肃省重点研发计划

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：385-395