通过CTNet推进高光谱图像分析:采用空间和光谱特征融合的方法
Dhirendra Prasad Yadav1,2, Deepak Kumar2, Anand Singh Jalal1
1Department of Computer Engineering & Applications, G.L.A. University, Mathura 281406, Uttar Pradesh, India.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种新的卷积变压器网络 (CTNet),通过增强空间和光谱特征来改进高光谱图像分类. 该方法实现了卓越的性能,证明了其对现有技术的有效性.
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:
- 超光谱图像分类面临着由于高数据维度和有限的空间分辨率的挑战.
- 现有的方法因数据样本不足和空间细节差而困难.
研究的目的:
- 增强空间和光谱特征,以改善高光谱图像分类.
- 为了解决超光谱数据集中的数据样本和空间分辨率的局限性.
主要方法:
- 建议建立一个基于两个尺度的模块的卷积变压器网络 (CTNet).
- 模块1:使用预训练的ResNeXt模型创建虚拟RGB图像,以增强空间特征.
- 模块2:主要组件分析 (PCA) 用于尺寸缩小和基于注意力的增强视觉变换器 (EAVT) 具有多尺度注意力机制用于光谱特征增强.
- 一个联合模块融合了空间和光谱特征,生成了一个增强的特征向量.
主要成果:
- 与最先进的方法相比,拟议的CTNet表现出优越的性能.
- 实现了高的平均精度 (AA) 值:97.87% (PU),97.46% (PUC),98.25% (SV) 和84.46% (休斯顿13).
结论:
- CTNet有效地增强了超光谱图像分类的空间和光谱特征.
- 拟议的方法在处理高维和空间有限的超光谱数据方面取得了重大进展.
