一个有效的高光谱图像分类网络,基于多头自我注意和光谱坐标注意

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 超光谱图像 (HSI) 分类对于分析光谱数据至关重要.
• 卷积神经网络 (CNN) 是有前途的,但由于受体场有限和深层架构,它们在准确性和效率方面扎.
• 现有的方法在平衡HSI分类的性能和计算负载方面经常面临挑战.

研究的目的:

• 提出一个有效的高光谱图像分类网络,克服基于CNN的方法的局限性.
• 提高HSI分类的准确性和效率.
• 引入一种新的网络架构,集成多头自我注意和光谱协调注意.

主要方法:

• 使用点wise卷积网络 (PCN) 来减少光谱冗余并提高可区分性.
• 采用修改的多头自我注意 (M-MHSA) 模型与下方采样,以有效地捕获远程依赖.
• 引入了一种轻量级的光谱-坐标注意力融合模块,将光谱注意力 (SA) 和坐标注意力 (CA) 结合起来,以增强特征加权和对象定位.

主要成果:

• 拟议的MSSCA网络在印度松树 (IP),帕维亚大学 (PU) 和萨利纳斯HSI数据集上展示了竞争性表现.
• 实验结果表明,与现有方法相比,分类准确度有了显著的改善.
• 该方法可以实现这些准确性增长,而不会增加网络复杂性或计算成本.

结论:

• 拟议的多头自我注意和光谱协调注意网络 (MSSCA) 为准确和高效的HSI分类提供了有效的解决方案.
• 集成PCN,M-MHSA和光谱坐标注意力融合模块成功地解决了传统CNN的局限性.
• 该方法为HSI分类任务提供了极具竞争力的方法,平衡性能和计算效率.