ハイパースペクトル画像分類のための階層的マルチスケールアテンションを備えた動的ゲート付きフュージョンネットワーク

科学分野:

• リモートセンシング
• コンピュータビジョン
• 機械学習

背景:

• ハイパースペクトル画像分類は、固定された特徴融合戦略の課題に直面しています。
• 既存の方法は、多様なデータ特性に適応し、マルチスケール特徴とアテンションメカニズムを効果的に統合するのに苦労しています。

研究 の 目的:

• 階層的マルチスケールアテンション（DGFNet）を備えた新しい動的ゲート付きフュージョンネットワークを提案し、ハイパースペクトル画像分類を改善すること。
• 固定された融合戦略の限界に対処し、マルチスケール特徴抽出とアテンションメカニズム間の相乗効果を高めること。

主な方法:

• DGFNetは、包括的な空間特徴抽出のためにピラミッド拡張畳み込みを使用したマルチスケール特徴アグリゲーター（MSFA）を採用しています。
• 強化されたチャネル空間アテンション（ECSA）モジュールは、マルチプーリングとカスケード構造を使用して特徴相互作用を深めます。
• 動的ゲート付きフュージョンモジュールは、データ特性に基づいて特徴の寄与を適応的に調整します。

主要な成果:

• DGFNetは、Pavia University（96.91％）、Houston（97.12％）、Indian Pines（94.05％）、およびWHU-HongHu（94.46％）のベンチマークデータセットで高い精度を達成しました。
• 動的ゲート付きフュージョンは、分類精度、計算効率、およびモデルの安定性において、他の融合戦略よりも優れたパフォーマンスを発揮しました。
• アブレーション実験により、提案された各モジュールの有効性と必要性が確認されました。

結論:

• DGFNetは、ハイパースペクトル画像分類に効率的で正確で堅牢なソリューションを提供します。
• 動的ゲート付きフュージョンアプローチは、従来の融合方法と比較して優れたパフォーマンスを提供します。
• 提案された方法は、さまざまなリモートセンシングデータの特性に適応する上で大きな進歩を示しています。