混合深度CNN联合注意力的高光谱图像分类

作者：王燕; 吕艳萍

来源：计算机科学与探索, 2021, 1-13.

• 高光谱图像分类
• KPCA
• 卷积神经网络
• 光谱-空间注意力机制
• 深度学习

深度学习中的卷积神经网络（convolutional neural networks，CNN）能充分利用计算机的计算能力，高效的提取遥感图像的特征，取得很好的成果，特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征，提高高光谱图像分类的精度，提出了混合深度卷积联合注意力（hybrid deep CNN-attention，HDC-Attention）的模型。具体地，首先利用核主成分分析（kernelprincipal component analysis，KPCA）和小批量K均值（minibatch k-means，MBK-means）对高光谱图像进行组合降维，有效地消除数据冗余并保留主要信息量，使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分地光谱-空间特征提取。最后利用光谱-空间注意力（Spectral-Spatial Attention），重新分配光谱-空间特征的权重，增强有用的空谱特征，抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验，在有限的标记样本下，三个数据集的OA，AA，Kappa分类指标均超过99%以上。

• 单位
  兰州理工大学