改进Res2Net和注意力机制的高光谱图像分类 |
| |
引用本文: | 王燕,王振宇.改进Res2Net和注意力机制的高光谱图像分类[J].计算机工程与应用,2023(19):151-158. |
| |
作者姓名: | 王燕 王振宇 |
| |
作者单位: | 兰州理工大学计算机与通信学院 |
| |
基金项目: | 国家自然科学基金(61863025); |
| |
摘 要: | 针对目前以卷积神经网络(CNN)为框架的高光谱图像分类模型参数量多,训练时间长,对样本数量依赖性大的问题,提出了一种改进Res2Net和注意力机制的高光谱图像分类模型。该模型首先使用主成分分析(PCA)对原始图像的通道维度进行降维,将降维后的数据输入三维空洞卷积层,并添加空间注意力模块以强化空间纹理特征;将所得特征映射输入两组空间-深度可分离残差结构结合通道注意力模块中,使用全局平均池化层将输出映射转换成一维向量;经过Softmax分类器获得分类标签。实验结果显示,该模型参数数量少,收敛速度快,使用少量训练样本在Indian Pines和Pavia University数据集上总体分类精度(OA)分别为98.95%和99.46%。
|
关 键 词: | 高光谱图像 注意力机制 残差网络 可分离卷积 |
|
|