Hyperspectral Band Selection Using Attention-Based Convolutional Neural Networks-优快云博客

本文链接：https://blog.youkuaiyun.com/m0_48364127/article/details/107145418

本文提出了一种结合注意力机制和异常检测的高光谱成像(HSI)波段选择算法。通过在CNN中引入注意力模块，生成注意力热图以突出波段的重要性，然后使用椭圆包络(EE)算法进行异常检测，选择最重要波段。实验表明，这种方法能有效提取HSI中的关键信息，并且对CNN的分类性能没有负面影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Hyperspectral Band Selection Using Attention-Based Convolutional Neural Networks

无监督的缺点：
1、在特征空间中选择最优维数是一个难点
2、波段相关性常常被忽视，导致数据冗余
3、当与其他波段结合时可能具有信息性的波段被删除
4、由于噪声波段与其他波段的相关性较低，因此常被标记为信息波段

立足点：采用异常检测
由于“重要波段”占少数，可以认为是“异常的”。在原始HSI所有波段中只有波段的一个(非常)小的子集传达重要的信息(区分底层材料所必需的)，并且这些波段可以被视为异常值(其他波段，在大多数，是不提供信息的)。

贡献：
1、引入了一种新的HSI波段选择算法，该算法将基于注意力的cnn和异常检测结合起来，以发现HSI中最重要的波段。
2、引入了新的基于注意力的CNN架构，用于提取注意力热图，该热图显示了哪些频谱对CNN在训练过程中至关重要，因此根据其重要性对频段进行加权。基于注意力的CNN是光谱深层网络-它们仅对光谱信息进行操作，同时对输入HSI中的像素进行分类。
3、将我们的技术与HSI频段选择的最新技术进行比较。验证波段选择对各种有监督学习(包括传统的和DL的)的影响。了解在cnn中添加注意力模块对其分类能力和训练特征的影响。验证所获得结果的统计重要性。

Method：建议去看一看文中提到的文献[22]
这些网络只利用输入HSI中每个像素的光谱信息(像