基于注意力机制的半监督高光谱图像分类方法.pdfVIP

基于注意力机制的半监督高光谱图像分类方法

摘要

高光谱图像数据具有三维结构，既包含了地物的二维空间信息，又包含了丰富的一

维光谱信息。因此，高光谱图像在城市发展规划、地表覆盖分析和环境气候检测等领域

得到了广泛的应用。在这些应用中对高光谱图像数据进行分类是一个重要的研究内容。

高光谱图像分类主要是根据每种地物反射的不同光谱曲线和不同的空间位置信息进行

种类的区分。然而，由于高光谱图像具有高维度和大量的冗余信息，同时存在类别不平

衡的情况。使得高光谱图像分类仍然是一个具有挑战性的问题。随着深度学习被应用于

高光谱图像分类领域，虽然其相较于传统网络显示出良好的性能，但仍存在一些需要解

决的问题。基于高光谱图像数据具有的特点，本文主要研究内容如下：

首先，针对利用深度学习方法对高光谱图像进行分类时的准确性依赖于使用大量标

记样本对网络进行训练，然而，由于高光谱图像具有大量像素点，标记样本的工作量大，

现有标记样本少的问题。本文提出了一种基于不确定性感知和自注意力机制的半监督分

类网络，该网络可以在有限的标记样本下提高分类精度。具体而言，首先设计了一种非

对称密集残差网络对所有样本进行编码，该网络使用三维非对称卷积核进行卷积运算，