CEGAT:基于对高光谱图像分类的关键样本选择策略的CNN和增强的GAT

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 超光谱图像分类 (HSIC) 从像卷积神经网络 (CNNs) 和图形卷积网络 (GCNs) 这样的深度学习方法中受益.
• 使用这些模型的HSIC的一个重大挑战是标记训练样本的稀缺性.
• 现有的方法在有限的数据上努力实现最佳性能,阻碍了实际应用.

研究的目的:

• 提出一种新的深度学习架构,即CEGAT (CNN和增强图表注意网络),以提高HSIC性能,使用有限的标记样本.
• 制定一个关键的样本选择策略,以提高小型数据集培训的效率.
• 为了减少光谱冗余,并有效地捕捉空间光谱特征,以便进行更强大的分类.

主要方法:

• 开发了一个双分支融合网络,将CNN和增强图表注意网络 (CEGAT) 结合起来.
• 关键组件包括用于减少光谱冗余的光谱类间切片 (LD_SICS) 模块的线性区分和空间光谱相关注意 (SSCA) 模块.
• 图表注意力 (GAT) 分支使用超像素细分和增强图表注意力 (EGAT) 模块,加上关键样本选择 (KSS) 策略.

主要成果:

• 拟议的CEGAT模型在与最先进的方法相比显示出更高的分类性能,特别是在有限的标记样本条件下.
• LD_SICS和SSCA模块有效处理光谱冗余并提取突出的空间光谱特征.
• KSS策略显著提高了网络从稀缺的标记数据中学习的能力.

结论:

• CEGAT网络为有限的标记数据所带来的高光谱图像分类挑战提供了有效的解决方案.
• 整合CNN,增强GAT和关键样本选择策略为未来的HSIC研究提供了有希望的方向.
• 拟议的方法实现了高分类准确性,使其适用于数据约束的现实应用.