基于多重注意力与混合残差卷积的高光谱地物分类

来源：计算机技术与发展杂志2024年第10期北京时间：

作者：彭逸清;闫晓奇;任小玲

摘要：针对高光谱数据集普遍存在小样本、高维度、波段之间光谱相关性高、无法对图像进行深层次数据挖掘等问题,提出一种基于多重注意力与混合卷积残差网络的高光谱地物分类模型(Residual Convolutional Attention Neural Networks,RCANN-Net)。 首先,采用主成分分析对高光谱图像进行降维,并通过多尺度 3D 卷积运算得到多尺度特征信息。 其次,将此特征信息输入改进的 3D 残差空间-通道注意力模块中,在学习特征的同时传递参数并校正特征层权重,得到高光谱图像光谱-空间联合精细特征。 同时,引入并行的深度可分离卷积残差空间注意力模块,使模型偏向于学习高光谱图像的空间特征,最后通过结果预测模块根据其特征信息得到分类结果。 在 3 个公开高光谱数据集上的多次对比表明,该方法在总体精度(OA)、平均精度(AA)、KAPPA 系数和平均训练时间上均优于其他 4 种对比方法。

关键词：高光谱图像分类;深度学习;特征融合;深度可分离卷积;注意力机制;残差网络