高光谱图像文献阅读

最新推荐文章于 2025-10-22 14:06:59 发布

原创

最新推荐文章于 2025-10-22 14:06:59 发布 · 1.2k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#卷积 #深度学习

本文提出DMSAN模型解决高光谱图像分类精度下降问题，通过PCA降维、Dense Connectivity增强特征重用，以及多尺度Block与Attention Block结合提升特征学习，实现在多个数据集上的优秀分类效果。

一、高光谱图像背景介绍

高光谱图像(Hyperspectral Image,HSI)包含许多个狭窄的光谱波段，即HSI的光谱维，蕴含着丰富的光谱信息，可用于区分目标区域的地物信息。凭借其特有的光谱信息，HSI广泛应用于农业、分类、环境监测等方面。
在这里插入图片描述
如上图所示，成像光谱仪对目标区域进行连续波段的拍摄，一个波长对应一个光谱反射率，若干个反射率值构成一条连续的光谱曲线用于反映目标地物的光谱特征。如上图右图中不同光谱曲线对应不同的地物(土地、水、植被)。

二、文章摘要

2.1 文章提出的问题

基于CNN的高光谱图像分类方法表现出了良好的性能。然而随着网络加深，会发生分类精度下降的现象；从固定尺度的卷积中学习到的特征通常不够充分，不利于模型学习特征，对特征信息的利用不足，从而也会降低模型最后的分类精度。

2.2 文章提出方法的大致流程

文中提出了一种DMSAN模型。首先对原始HSI用PAC降维，然后采用由不同大小的空间-光谱卷积模块并行组成的多尺度block来提取光谱-空间特征；此外，引入Dense连接进一步融合网络不同深度中提取到的特征，从而增强特征重用和传输；最后，提出的channel-spectral-spatial attention block，自发地对融合特征进行重新设置权参。