摘要
通过引入基于卷积神经网络(convolutional neural network,CNN)的分类算法,高光谱图像(hyperspectral image,HSI)分类任务的精度取得显著的提升,但目前主流CNN算法往往较为复杂且参数量大,从而导致网络难以训练以及容易产生过拟合问题.为在保证网络分类性能的前提下实现轻量化,本文提出一个轻量级架构的基于光谱-空间注意力交互机制的CNN网络用于HSI分类.为实现HSI的光谱-空间特征提取,构建了一个轻量化的双路径骨干网络用于两种特征的提取和融合.其次,为提高特征的表征能力,设计了两个注意力模块分别用于光谱和空间特征的权重再调整.同时,为加强双路径特征之间的关联以实现特征的更好融合,注意力交互机制被引入到网络中以进一步提升网络性能.在3个真实HSI数据集上的分类结果表明,本文所提网络可达到99.5％的分类准确度,并相比于其他网络至少减少50％的参数量.
基金项目
教育部科技发展中心产学研创新基金新一代信息技术创新项目(2018A02047)
贵州省科学技术基金(黔科合基础-ZK[2021]重点001)
NETL
NSTL
维普
万方数据