基于CNN-变压器和频道空间注意力网络的超光谱图像分类,采用少数样本

科学领域:

• 地球观测 地球观测
• 遥感是一种远程传感.
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 对于高光谱图像分类的深度学习模型通常需要大量的注释数据.
• 从偏远或高海拔地区获取足够多的注释式超光谱图像存在重大挑战.
• 有限的标记数据阻碍了先进的分类技术的开发和应用.

研究的目的:

• 提出一种新的算法,CTA-net,旨在使用最小的注释样本进行有效的高光谱图像分类.
• 为了解决地球观测的高光谱图像分析中的数据稀缺问题.
• 在具有挑战性的遥感场景中增强深度学习模型的性能.

主要方法:

• 开发了一个样本扩展方案,以生成合成数据,减轻样本不足的问题.
• 引入了一个新的深度学习架构,CTA-net,集成卷积神经网络 (CNN) 和变压器模块.
• 该网络使用CNN进行本地特征提取,并使用Transformer进行非本地特征分析,并通过道空间注意模块进一步优化.

主要成果:

• 在多个高光谱图像数据集上进行的实验证明了拟议的CTA-net算法的有效性.
• 样本扩展技术成功地缓解了稀缺的注释数据所带来的局限性.
• 综合CNN-变压器方法有效地捕获了本地和非本地特征,以改善分类.

结论:

• 在数据稀缺的环境中,CTA-net为高光谱图像分类提供了可行的解决方案.
• 整合CNN和变压器,加上样本扩展,显著提高了分类性能.
• 这项研究有助于通过高效的深度学习推进地球观测和遥感能力.