引入注意力机制的卷积神经网络高光谱图像分类

作     者：陈文豪 何敬 刘刚 Chen Wenhao;He Jing;Liu Gang

作者机构：成都理工大学地球科学学院四川成都610059 成都理工大学地质灾害防治与地质环境保护国家重点实验室四川成都610059 

基　　金：国家自然科学基金(41871303,41602355) 地质灾害防治与地质环境保护国家重点实验室项目(SKLGP2018Z010) 四川省科技计划(2021YFG0365)、四川省自然资源厅(kj2021-3) 

出 版 物：《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期：2022年第59卷第18期

页      码：162-169页

摘      要：近年来,以卷积神经网络为代表的深度学习方法因不用进行复杂的数据预处理和特征设计逐渐成为高光谱图像分类领域的研究热点。在现有的神经网络模型基础上,结合高光谱图像数据特点,提出了一种注意力卷积神经网络模型。该模型通过残差结构构建深度卷积神经网络提取空谱特征,引入通道注意力机制对提取的特征进行重标定。根据特征重要性的不同,注意力机制对不同通道上的特征赋予不同的权重,突出重要特征,抑制次要特征,从而提高分类的精度。在两个公开的高光谱数据集Indian Pines和Pavia University上进行了实验。当数据集的空间邻域大小设置为19×19,Indian Pines以3∶1∶6的比例划分样本,Pavia University以1∶1∶8的比例划分样本时,数据集的分类精度最优,平均总体分类精度为99.55%,平均分类精度为99.31%,平均Kappa系数为99.45%。实验结果表明,引入残差结构的深度卷积神经网络可以提取高光谱图像的深层空谱特征,注意力机制对特征进行重新标定,强化了重要特征,从而有效提高了高光谱图像的分类精度。

主 题 词：成像系统 高光谱图像 卷积神经网络 残差结构 注意力机制 

学科分类：0810[工学-土木类] 08[工学] 081002[081002] 

核心收录：

D　O　I：10.3788/LOP202259.1811001

馆 藏 号：203115462...