TUH-NAS:用于高光谱图像分类的三元NAS网络.

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:

• 神经架构搜索 (NAS) 在高光谱图像分类方面表现有前途.
• 现有的NAS方法往往忽视了超光谱图像中的空间和光谱数据之间的复杂关系.
• 空间和光谱特征的有效整合对于提高分类准确性至关重要.

研究的目的:

• 引入一个新的三元单元高光谱NAS (TUH-NAS) 网络,以改进高光谱图像分类.
• 在分类网络中加强空间和光谱信息的融合.
• 提高整体分类效率,特别是在识别对象边界方面.

主要方法:

• 开发一个三元单元高光谱NAS (TUH-NAS) 网络.
• 实施融合单元,以加强空间信息和光谱信息之间的内在关系.
• 超光谱图像注意力机制模块的设计.
• 采用复合损失函数,专注于难以分类的样本.

主要成果:

• 与现有的NAS方法相比,TUH-NAS网络在高光谱图像分类方面表现出卓越的性能.
• 拟议的方法显示了对象边界的识别改进,即使训练样本有限.
• 在三个公开的超光谱数据集上的实验评估验证了TUH-NAS的有效性.

结论:

• TUH-NAS网络有效地整合了空间和光谱特征,用于增强的超光谱图像分类.
• 注意力机制和复合损失函数有助于提高准确性,并专注于具有挑战性的区域.
• TUH-NAS代表了基于NAS的高光谱图像分类的重大进步,特别是在边界识别方面.