基于混合卷积与三重注意力的高光谱图像分类网络

摘要：

针对高光谱图像光谱维度高、现有网络无法提供深度级的多层次特征,从而影响分类精度和速度的问题.首先采用核主成分分析对高光谱图像进行降维,使降维后的数据具有最佳区分度,提出了一种基于混合卷积与三重注意力的卷积神经网络(hybrid convolutional neural network with triplet attention,HCTA-Net)模型,该模型设计了一种基于三维、二维和一维卷积的混合卷积神经网络,通过不同维度卷积神经网络的融合,提取高光谱图像精细的光谱-空间联合特征.在二维卷积中加入深度可分离卷积,减少了模型参数,同时引入三重注意力机制,使用三分支结构实现跨维度信息交互,抑制无用的特征信息.在Indian Pines、Salinas和Pavia University数据集上的实验结果表明,本文提出的模型优于其他对比方法,总体分类精度分别达到了 99.16％、99.87％和99.76％.

关键词：遥感、高光谱图像分类、深度学习、特征提取、降维、深度可分离卷积、注意力机制、混合卷积神经网络

所属期刊栏目：18

分类号：TP751(遥感技术)

资助基金：国家自然科学基金62031021

在线出版日期：2023-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：260-269