多尺度细分引导的融合网络用于高光谱图像分类
概括
这项研究引入了一种新的多尺度细分引导融合网络 (MS2FN) 用于高光谱图像分类 (HSIC). MS2FN 增强了跨不同空间尺度的特征提取,在精度上超过了现有的方法.
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:
- 卷积神经网络 (CNN) 擅长在欧几里德空间的特征提取,用于高光谱图像分类 (HSI).
- 图形卷积网络 (GCN) 在非欧几里德空间中捕获空间上下文信息,改进HSI分类 (HSIC).
- 目前HSIC的GCN方法受到单级图形结构的限制,阻碍了多范围的特征提取.
研究的目的:
- 为增强的HSIC提出一个新的多尺度细分引导的融合网络 (MS2FN).
- 克服现有的基于GCN的HSIC方法中单个尺度图形结构的局限性.
- 通过明确处理不同空间尺度的特征来改善特征表示.
主要方法:
- 使用多尺度细分数据构建像素级图形结构,使GCN能够在各种空间范围内提取特征.
- 为不同的特征类型实施不同的处理策略,以增强整体特征表示.
- 开发一个集成CNN和GCN的多级分段引导融合网络 (MS2FN).
主要成果:
- 拟议的MS2FN方法在HSIC准确性方面表现优于几个最先进的 (SOTA) 方法.
- 多尺度图形结构有效地提取跨不同空间范围的特征,解决先前GCN方法的局限性.
- 独特的特征处理策略有助于增强特征表示和改进分类结果.
结论:
- 通过有效利用多尺度空间信息,MS2FN在高光谱图像分类方面取得了重大进展.
- 该方法能够从多个尺度中提取和融合特征,从而提高了分类准确性.
- 拟议的方法为基于GCN的HSIC的未来研究提供了一个强大的框架.
