当混合密集网络与高光谱分类相遇~

大家好，橙子姐姐又来啦~今天给大家介绍一种高光谱分类的新方法，下面我们一起看看吧！

基于混合稠密网络的高光谱图像分类注意机制

光谱信息与相应对象（复杂地貌）之间的非线性关系使得像素级分类对传统方法具有挑战性。为了处理高光谱图像分类 (HISC) 中的非线性问题，卷积神经网络 (CNN) 确实更合适。然而，固定核大小使得传统的CNN过于具体，既不灵活也不利于特征学习，从而影响分类精度。不同内核大小的网络的卷积可以通过捕获更多有区别和相关的信息来克服这个问题。有鉴于此，所提出的解决方案旨在将 3D 和 2D 初始网络的核心思想与注意力机制相结合，以提高混合场景中的 HSIC CNN 性能。由此产生的注意力融合混合网络 (AfNet) 基于三个注意力融合并行混合子网，每个块中具有不同的内核，重复使用高级特征来增强最终的真实地图。简而言之，AfNet 能够选择性地过滤掉对分类至关重要的判别特征。与最先进的模型相比，对 HSI 数据集的多项测试为 AfNet 提供了具有竞争力的结果。实际上，提议的管道实现了印度松树 97%、博茨瓦纳 100%、帕维亚大学、帕维亚中心和萨利纳斯数据集的 99% 的总体准确率。

众所周知，卷积神经网络 (CNN) 可以克服具有固定内核大小的非线性问题，这些问题不够灵活，因为这些内核是特定的，不利于特征学习，因此会降低分类精度。然而，具有不同内核大小的 CNN 可能会捕获更具辨别力和重要的特征。因此，考虑到上述优点，这项工作提出了一种具有注意力机制的混合（3D-2D）初始网络，以提高分类性能。提议的注意力融合混合网络 (AfNet) 使用基于注意力的六个并行混合子网，每个子块中具有不同的内核，以增强最终的地面实况图。提议的 AfNet 有选择地过滤掉判别特征，即分类的关键特征。 AfNet 已经在多个高光谱数据集上进行了测试，与最先进的模型相比，它显示出具有竞争力的结果。