文献类型：期刊文章

作　　者：徐沁[1,2] 梁玉莲[1,2] 王冬越[3] 罗斌[1,2]

Xu Qin;Liang Yulian;Wang Dongyue;Luo Bin(Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education,Anhui University,Hefei 230601;School of Computer Science and Technology,Anhui University,Hefei 230601;School of Management,Hefei University of Technology,Hefei 230009)

机构地区：[1]安徽大学计算智能与信号处理教育部重点实验室,合肥230601 [2]安徽大学计算机科学与技术学院,合肥230601 [3]合肥工业大学管理学院,合肥230009

出　　处：《计算机辅助设计与图形学学报》

基　　金：国家自然科学基金(61502003,61860206004,72071001,U20B2068);安徽省自然科学基金(2008085MG226).

年　　份：2021

卷　　号：33

期　　号：11

起止页码：1726-1734

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提取更具有判决力的高光谱图像特征,并防止网络因加深导致退化,在新维度残差网络(Res2Net)和压缩激活网络(squeeze and excitation network,SENet)的基础上,提出新型多尺度特征提取模块SE-Res2Net,并设计多尺度空谱融合注意力模块.为了克服网络加深带来的退化问题,SE-Res2Net模块利用通道分组提取高光谱图像细粒度的多尺度特征得到多个不同粒度的感受野,并采用通道优化模块从通道层面量化特征图的重要性.为了进一步从空间维和光谱维同时优化特征,构建多尺度空谱融合的注意力模块,利用非对称卷积在不同尺度上挖掘不同空间位置和不同光谱维特征的关系,不但能减少计算量,还能有效地提取具有判决力的空谱融合特征,从而提高高光谱图像分类的精度.在3个公共数据集Indian Pines,University of Pavia和Grss_dfc_2013上的对比实验表明,与其他较新的深度网络相比,该方法具有更高的总体精度(overall accuracy,OA)、平均精度(average accuracy,AA)和Kappa系数.

关 键 词：高光谱图像分类 多尺度特征 注意力机制  

分 类 号：TP391.41]