三分支注意力增强的3DUNet用于基于遥感的高光谱图像分类.

科学领域:

• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 像U-Net这样的深度学习模型因类不平衡和分辨率降低而与高分辨率的超光谱图像 (HSI) 斗争.
• 传统方法忽略了本地和全球数据,阻碍了HSI的分类准确性,因为HSI的标签数据有限.

研究的目的:

• 提出一种新的三分支3D U-Net架构,以克服传统U-Net在高光谱图像分类方面的局限性.
• 增强光谱和空间特征的提取和它们的联合表示,以提高HSI分类的准确性.

主要方法:

• 开发了一个三分支的3D U-Net架构,用于光谱依赖,空间特征学习和综合光谱空间线索的专门分支.
• 每个分支都包含一个注意力机制来提取相关特征,然后通过一个完全连接的层集成和处理这些特征.
• 该模型在基准HSI数据集 (印度松树,帕维亚大学,休斯顿-2018) 上使用整体准确度 (OA) 和平均准确度 (AA) 进行了评估.

主要成果:

• 拟议的模型实现了显著的分类准确率:帕维亚大学的99.67%,印度松树的98.02%,休斯顿-2018的99.88%.
• 该架构有效地解决了高分辨率HSI固有的类不平衡和解决方案退化问题.
• 综合的光谱和空间特征提取,加上注意力机制,显著改善了处理多样化和减少的像素信息.

结论:

• 与现有模型相比,拟议的三分支3D U-Net架构在高光谱图像分类方面表现出卓越的稳定性和性能.
• 该方法有效地整合了光谱和空间信息,从而提高了特征表示和分类准确度.
• 这种方法为准确的HSI分类提供了有希望的解决方案,特别是在具有有限标记数据和复杂数据特征的场景中.