-
题名基于三维注意力与混合卷积的高光谱图像分类
被引量：2
- 1
-
-
作者
赵晓枫
牛家辉
刘春桐
夏玉婷
-
机构
火箭军工程大学导弹工程学院
兵器发射理论与技术国家重点学科实验室
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第9期2673-2680,共8页
-
基金
国家自然科学基金(41404022)资助课题.
-
文摘
针对现有高光谱图像分类模型在特征提取的过程中有效特征关注缺乏的问题,提出了一种基于三维卷积注意力与混合卷积的高光谱图像分类方法。该方法使用三维卷积和二维卷积串联完成对高光谱图像空谱特征的提取,并在三维卷积阶段引入注意力机制,使得模型在提取底层空谱特征的同时实现对有效特征的关注和激活。相对于传统三维卷积模型,提出的分类模型减小了运算复杂度,提升了模型噪声抑制能力,提高了分类效果。针对该方法的消融实验证明了提出的三维卷积注意力机制的有效性,在印第安松树林和帕维亚大学两个公开数据集上与其他5种分类模型的对比实验中取得了最优的分类精度。
-
关键词
高光谱图像分类
三维注意力机制
混合卷积
空谱特征提取
-
Keywords
hyperspectral image classification
three-dimensional attention mechanism
hybrid convolution
spatial-spectral feature extraction
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于特征融合与注意力机制的脑肿瘤分割算法
被引量：9
- 2
-
-
作者
褚张晴晴
钟志强
颜子夜
战荫伟
-
机构
广东工业大学计算机学院
广州柏视医疗科技有限公司临床研究部算法组
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第10期154-161,共8页
-
基金
广东省重点领域研发计划(2020B0101130019)。
-
文摘
脑肿瘤核磁共振成像(MRI)的准确分割对手术方案的制定和放疗计划具有重要意义。U-Net作为脑肿瘤分割领域应用最广泛的网络,具有较优的性能,但是存在跳跃连接中语义差距较大、MRI图像中跨通道信息利用不足的问题。为对脑肿瘤各区域进行准确分割,提出一种基于特征融合与注意力机制的改进U-Net模型FFCA-U-Net。在跳跃连接中设计特征融合模块代替U-Net中的直接拼接操作,以有效融合不同层次、不同尺度的特征信息,减小语义差距并调整感受野,增强网络对肿瘤特征的学习能力。在编码器中引入改进的三维坐标注意力机制,沿MRI图像的3个方向捕获跨通道信息,增强网络对脑肿瘤边界信息的感知能力,获得肿瘤子区域更精确的位置。此外,为快速获得肿瘤的相对位置、减少网络学习冗余,增加的掩码图像与MRI图像一起作为网络输入。在MSD数据集上的实验结果表明,FFCA-U-Net在增强肿瘤区域、非增强肿瘤区域和水肿区域的Dice系数分别为0.803 4、0.628 6和0.799 3,平均Dice为0.743 8,优于TransBTS、UNETR等其他先进网络。
-
关键词
脑肿瘤
U-Net模型
特征融合
三维坐标注意力机制
医学图像分割
-
Keywords
brain tumor
U-Net model
Feature Fusion(FF)
three-dimensional Coordinate Attention(CA)mechanism
medical image segmentation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名改进3D-Octave卷积的高光谱图像分类方法
- 3
-
-
作者
郑宗生
王政翰
王振华
卢鹏
高萌
霍志俊
-
机构
上海海洋大学信息学院
-
出处
《自然资源遥感》
CSCD
北大核心
2024年第4期82-91,共10页
-
基金
国家自然科学基金项目“一种面向对模态遥感信息的质量抽样检验方案研究”(编号:41671431)
上海市科委地方能力建设项目“复杂潮汐环境下海岛(礁)地物信息提取与精度验证方法及其示范应用”(编号:19050502100)
国家海洋局数字海洋科学技术重点实验室开放基金项目“面向深度学习与气象云图大数据的台风强度分类研究”(编号:B201801034)共同资助。
-
文摘
高光谱图像数据具有维度高、数据稀疏、空间光谱信息丰富等特点,针对空谱联合分类模型中高光谱图像卷积操作处理大片相同类别像素区域时会存在计算的空间冗余,3D卷积对深层空间纹理特征提取不充分,串行注意力机制结构不能充分考虑空谱相关性的问题,该文提出了改进的3D-Octave卷积高光谱图像分类模型。首先改进的3D-Octave卷积模块将输入的高光谱图像数据划分为高频特征图和低频特征图,减少空间信息冗余,提取多尺度的空间光谱特征,结合跨层融合策略,加强对浅层空间纹理特征和光谱特征的提取;随后利用2D卷积提取深层空间纹理特征并进行光谱特征融合;最后使用三维注意力机制跨纬度交互实现对有效特征的关注和激活,增强网络模型的性能和鲁棒性。结果表明,由于充分提取有效空谱联合特征,在印第安松树林(Indian Pines,IP)数据集的训练集比例为10%的条件下,OA,Kappa和AA分别为99.32%,99.13%和99.15%;在帕维亚大学(Pavia University,PU)数据集的训练集比例为3%的条件下,OA,Kappa和AA分别为99.61%,99.44%和99.08%。与5个主流分类模型进行对比,获得了更高的分类精度。
-
关键词
空间冗余
3D-Octave卷积
跨层融合
多尺度
三维注意力机制
-
Keywords
spatial redundancy
3D Octave convolution
cross-layer fusion
multi-scale
3D attention mechanism
-
分类号
TP79
[自动化与计算机技术—检测技术与自动化装置]
-
