基于多尺度非对称密集网络的高光谱图像分类

来源：电子与信息学报杂志2024年第4期北京时间：

作者：蔡轶珩, 谭美伶, 潘建军, 何楷祺

单位：北京工业大学信息与通信工程学院 北京 100124

摘要：近年来，基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而，由于高光谱图像的特殊性，冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外，由于各类别像素分布不均，如何强化中心像素的作用，减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性，该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先，提出一个多尺度样本构建模块，通过在每个像素周围提取多个尺度的图像块，并进行反卷积和拼接以构建输入样本，使其既包含详细的结构区域，又包含较大的同质区域；然后，提出一个非对称密集连接结构，在空间和光谱特征联合提取中实现核骨架增强，即增强了方形卷积核的中心十字区域部分提取的特征，有效地促进了特征重用。此外，为了提高光谱特征的鉴别性，提出一种精简的元素光谱注意力机制，并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下，该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%，取得了极具竞争力的分类结果。

关键词：高光谱图像分类, 多尺度, 非对称卷积, 光谱注意力机制

基金资助：国家重点研发计划(2017YFC1703302)