针对高光谱图像数据高维的特点,为进一步提高图像分类准确率,设计一种融合注意力机制的三维空洞卷积神经网络模型用于高光谱分类问题。该方法以3D卷积为基础,使用多尺寸卷积核策略,从不同尺度提取高光谱图像的特征信息;使用空洞结构卷积...针对高光谱图像数据高维的特点,为进一步提高图像分类准确率,设计一种融合注意力机制的三维空洞卷积神经网络模型用于高光谱分类问题。该方法以3D卷积为基础,使用多尺寸卷积核策略,从不同尺度提取高光谱图像的特征信息;使用空洞结构卷积核,可有效提取特征信息,同时增加网络的感受野。提出一种空间-光谱注意力模块,自适应聚焦信息,增加高光谱图像空间、光谱的特征表达能力。提出的方法在University of Pavia和Indian Pines等公开数据集上测试,分别取得99.61%、99.58%的总体分类准确率。与SVM、2D-CNN、3D-CNN、RES-3D-CNN算法进行比较,该文提出的算法在准确率和分类性能上优于其他算法。展开更多
文摘针对高光谱图像数据高维的特点,为进一步提高图像分类准确率,设计一种融合注意力机制的三维空洞卷积神经网络模型用于高光谱分类问题。该方法以3D卷积为基础,使用多尺寸卷积核策略,从不同尺度提取高光谱图像的特征信息;使用空洞结构卷积核,可有效提取特征信息,同时增加网络的感受野。提出一种空间-光谱注意力模块,自适应聚焦信息,增加高光谱图像空间、光谱的特征表达能力。提出的方法在University of Pavia和Indian Pines等公开数据集上测试,分别取得99.61%、99.58%的总体分类准确率。与SVM、2D-CNN、3D-CNN、RES-3D-CNN算法进行比较,该文提出的算法在准确率和分类性能上优于其他算法。
