【论文笔记】Spectral-Spatial Attention Network for Hyperspectral Image Classification

最新推荐文章于 2025-02-24 09:35:09 发布
最新推荐文章于 2025-02-24 09:35:09 发布
阅读量4k 收藏 11
点赞数 3
分类专栏： DL论文笔记 文章标签： 深度学习 人工智能 高光谱分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_40721337/article/details/106424154
版权
该论文介绍了Spectral-Spatial Attention Network (SSAN) 对于高光谱图像分类的应用。SSAN结合了光谱和空间模块，并引入注意力机制以提升性能。实验部分对比了不同配置和现有算法，展示在多个数据集上的准确性和效率。此外，还探讨了patch size选择对结果的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

H. Sun, X. Zheng, X. Lu and S. Wu, “Spectral–Spatial Attention Network for Hyperspectral Image Classification,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 5, pp. 3232-3245, May 2020, doi: 10.1109/TGRS.2019.2951160.

1.贡献点

  首先提出一个由光谱模块和空间模块组成的SSN（Spectral-Spatial Network）网络，然后在其基础上引入attention module，提出SSAN网络。

2.论文细节

  本文对文献的分类综述挺好的，文章思想也很简单。

  • SSAN（3D卷积）
    在这里插入图片描述
  • Attention module
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Paper Reading — 《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》
01-20
论文：《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》 1. Motivation 在CNN和RNN中引入attention机制： RNN + attention：学习波谱内部相关性 CNN + attention：关注空间维的显著特征以及相邻像元的空间相关性 2. Structure of Model 总体思路：分别用引入注意力机制的RNN和CNN提取光谱特征和空间特征，将最后的全连接层拼接在一起，然后再通过全连接层得到类别标签输出，相当于将两个网络提取的特征做了融合和提取。 3. Da
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
02-22
在超光谱图像分类领域中，谱间和空间数据的分布对于描述和识别图像中的不同材料和物体是至关重要的。此外，跨波段一致的空间结构有助于捕捉物体的固有结构信息。这意味着，在使用稀疏编码方法重建图像时，需要考虑三...
【论文阅读】Spectral–Spatial Attention Network for Hyperspectral Image Classification
博客
05-06 2155
卷积神经网络（CNN）和循环神经网络（RNN）等许多深度学习模型已成功应用于提取高光谱任务的深层特征。高光谱图像分类允许利用其丰富的信息来区分土地覆被的特征。在人类视觉系统注意力机制的激励下，本研究提出了一种用于高光谱图像分类的光谱-空间注意力网络。在我们的方法中，具有注意力的RNN可以学习连续光谱内的内光谱相关性，而具有注意力的CNN旨在关注空间维度上相邻像素之间的显着特征和空间相关性。实验结果表明，该方法能够充分利用光谱和空间信息获得有竞争力的性能。关键词：高光谱图像分类;注意机制;RNN;
空间注意力模块定义与应用简例
最新发布
wuhansong0592的专栏
02-24 406
与通道注意力模块关注通道间的关系不同，空间注意力模块聚焦于特征图的空间维度，通过对不同空间位置分配不同的权重，增强模型对目标物体关键位置的关注，抑制无关背景区域的干扰，从而提升目标检测、图像分类等任务的性能。的参数含义如下：(输入通道数即拼接后特征图通道数2，输出通道数为1即生成的空间注意力图，卷积核大小3或者7，填充值以保证卷积操作后特征图行和列不变），若拼接后形状为。：将输入特征图与空间注意力权重逐元素相乘，对输入特征图进行重标定，增强重要空间位置的特征响应，抑制不重要位置的特征响应。
SSAN-Spectral-Spatial Attention Networks for Hyperspectral Image Classification
qq_36632466的博客
11-14 2978
paper:Spectral-Spatial Attention Networks for Hyperspectral Image Classification 空谱注意力网络应用于高光谱图像分类 摘要： CNN、RNN等深度学习模型被广泛应用于高光谱任务中提取深层特征。受人类视觉系统的启发，本文提出一种空谱注意力网络来进行高光谱图像分类。本文方法中，具有注意力机制的RNN可以通过连续光谱段学习内部光谱间的关系；具有注意力机制的CNN聚焦于空间域内显著特征和邻近像素的空间相关性。实验结果表面本文方法充分利用
【论文浅读】《Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification》
卷子的博客
05-26 1161
创新思想： 这篇文章提出了新的结构称为光谱金字塔图注意网络(Spectral Pyramid Graph Attention Network, SPGAT)，在高光谱图像分类方面解决了两个问题：一个是现有标准的卷积核忽略了数据点之间的内在联系导致区域划分不好，另一个是在高维且有限的数据量在高维光谱域上连续分布的问题。 SPGAT以多个嵌入空间的金字塔形式对多个光谱的信息进行编码，基于谱特征空间连接的图注意机制，在每个嵌入空间中显式地进行可解释推理。 主要原理： SPGAT的架构。 三维卷积核。 经过二
【论文翻译】Spectral-Spatial Residual Network for Hyperspectral Image Classification A 3-D Deep Learning F
顺子的博客
07-22 3084
光谱-空间残差网络或高光谱图像分类：一个三维深度学习框架 摘要——在本文中，我们设计了一个端到端光谱空间残差网络(SSRN)，它以原始3-D立方体作为输入数据，而不需要特征工程进行高光谱图像分类。在该网络中，光谱和空间残差块从高光谱图像(HSI)中丰富的光谱特征和空间上下文中连续学习鉴别特征。所提出的SSRN是一种有监督的深度学习框架，它缓解了其他深度学习模型的精度下降现象。具体来说，残差块通过标识映射连接每一个其他3-D卷积层，这有利于梯度的反向传播。此外，我们还对每个卷积层进行批量归一化，使学习.
Active Transfer Learning Network: A Unified Deep Joint Spectral-Spatial Feature Learning Model for Hyperspectral Image Classification
02-07
Deep learning has recently attracted significant attention in the field of hyperspectral images (HSIs) classification. However, the construction of an efficient deep neural network mostly relies on a ...
Spatial-Spectral Kernel Sparse Representation for Hyperspectral Image Classification
02-09
This paper proposes a neighboring filtering kernel to spatial-spectral kernel sparse representation for enhanced classification of hyperspectral images. The novelty of this work consists in:
探索图神经网络新境界：Spectral Attention Networks (SAN)深度解析与应用推荐
gitblog_00072的博客
06-15 978
探索图神经网络新境界：Spectral Attention Networks (SAN)深度解析与应用推荐 SAN项目地址:https://gitcode.com/gh_mirrors/san2/SAN 在现代数据处理的浪潮中，图神经网络（GNN）正以前所未有的速度革新我们理解和预测复杂网络结构的能力。今天，我们要聚焦一个引领风骚的项目——Spectral Attention Networks...
读后感 Spectral–Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Fr
hanlinger_的博客
01-29 4318
v 为了利用丰富的光谱带，传统的逐像素HSI分类模型主要集中在两个步骤：特征工程和分类器训练。特征工程方法包括特征选择（波段选择）和特征提取[7]。特征工程的主要目标是降低HSI像素的高维度并提取最具辨别性的特征或波段。接下来，使用从特征工程步骤获得的判别特征对通用分类器进行训练。特征提取方法通常通过非线性变换学习代表特征。 v 例如，[8]综合了不同类型的降维方法得到的多个特征来训练支持向量机
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
【论文浅读】《Deep Pyramidal Residual Networks for Spectral–Spatial Hyperspectral Image Classification》
卷子的博客
05-26 2021
创新思想： 文章提出了一种专门针对高光谱图像分类(Hyperspectral Image Classification, HSI)问题的深层CNN体系结构，称为高光谱金字塔ResNet结构模型(Hyperspectral Pyramidal ResNet)。 这个模型用残差的方法逐渐增加了所有卷积层的特征映射维数，并且在金字塔瓶颈残差块中分组，是为了在得到更多的位置信息的同时降低每层的时间复杂度。 主要原理： 残差模块单元。 残差模块单元中不同的卷积模型： 左：传统的残差模块中卷积层有相同的拓扑； 中：
Attention in Attention for Image Super-Resolution
聚焦底层视觉处理，对相关基础AI技术持续学习
04-24 2421
编辑：Happy 首发：AIWalker paper: https://arxiv.org/abs/2104.09497 code: https://github.com/haoyuc/A2N(尚未开源) 本文是亚马逊&悉尼大学大研究员在注意力机制在图像超分中应用探索。本文从“为什么注意力会起作用，它又是如何起作用”两个问题出发，从理论&实验角度给出了解释，然后针对“图像超分中并非所有注意力都有正向作用”问题提出了注意力丢弃模块并用于构架图像超分。最后，作者通过实验证实：所提方案可以.
Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification
qq_43688246的博客
04-12 408
推荐一篇高光谱分类文章Y. Ding, X. Zhao, Z. Zhang, W. Cai and N. Yang, “Graph Sample and Aggregate-Attention Network for Hyperspectral Image Classification,” in IEEE Geoscience and Remote Sensing Letters, DOI: 10.1109/LGRS.2021.3062944.
[HSI论文阅读] | SSRN：Spectral-Spatial residual network for HSI classification
学习笔记
04-16 5440
写在前面 论文： Z. Zhong, J. Li, Z. Luo and M. Chapman, “Spectral–Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 56, no. 2, pp. 847-858, Feb. 2018, doi:
Spectral-Spatial Residual Network for Hyperspectral Image Classification--SSRN代码执行问题
初学者的博客
03-13 2263
论文：Spectral-Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework 代码 SSRN。路径首先修改 然后 写入path2对应的文件内容时候出错。后来修改了modelstatsrecord.py中三个函数中的代码，如黑体显示的部分，改为斜体显示的内容 ...
论文笔记43：LRNet: Low-Rank Spatial-Spectral Network for Hyperspectral Image Denoising
Hermite Lee的博客
10-26 3447
通过将低秩物理特性集成到深度卷积神经网络中，所提出的LRNe同时具有DCNN的强大特征表示能力和干净HSI的隐式物理约束。首先，构建空间光谱空洞块（SSABs）以利用HSI的空间光谱特征。其次，这些空间光谱特征被转发到一个多空洞块（MAB），以聚合不同感受野中的上下文。第三，将不同层次的上下文特征和空间光谱特征串联起来，然后送入即插即用低秩模块（LRM）进行特征重构。在LRM的帮助下，低秩矩阵重构的工作流程可以以可微的方式简化。最后，利用低秩特征捕获HSI的潜在语义关系，恢复干净的HSI。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

immortal12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值