基于上下文特征提取的高光谱图像分类方法.pdf

基于上下文特征提取的高光谱图像分类方法

摘要

近年来，深度学习方法在高光谱图像分类中取得了极大的进展。但是，目前的模

型一般通过不断加深网络层数获取深层次的全局特征，忽略了全局-局部邻域的上下文

特征。为解决上述问题，本文提出两种有效的高光谱图像分类模型，在不增加模型复

杂度的情况下，能够有效地提取高光谱图像的上下文信息。具体内容如下：

1、本文提出一种双分支的网络模型，分别提取空间局部和光谱局部的上下文特征，

自适应地融合和细化不同层次的特征，具有高效的上下文信息聚合能力。模型采用自

校正卷积提取空间信息；采用多尺度密集卷积提取光谱信息。本文提出的局部特征提

取模块充分利用了每一个像元的背景信息和位置之间的相互信息，用于获取局部上下

文特征信息。此外，本文采用多类别焦点损失来解决每个样本分类难度不同的问题。

实验结果表明，在样本有限的情况下，本文所提模型不但可以取得较高的分类精度，

同时还极大的减少了计算量和参数量。

2、本文提出了一个新的双重注意力机制的特征融合网络模型，主要用于捕获更精

确全局-局部上下文注意特征。该模型分别利用自注意力机制提取全局上下文注意特征

和交叉注意机制提取局部上下文注意特征。考虑到注意力机制在转换过程中位置信息

易丢失的问题，本文提出了一个位置自校准模块可以灵活地嵌入到两个注意力模块中。

此外，为了更好的融合全局-局部特征，本文还设计了多尺度全局-局部特征融合模块，

通过聚合来自全局和局部的注意特征，以更少的通信成本实现保留更有代表性的特征。

本文在三个常用的高光谱数据集上进行了试验，分类结果表明此模型即使在样本数量

有限的情况下，也可以取得较高的分类精度。

关键词：高光谱图像分类；自校正卷积；多尺度密集卷积；自注意力机制；交叉

注意力机制

基于上下文特征提取的高光谱图像分类方法

Abstract

Inrecentyears,deeplearningmethodshavemadegreatprogressinhyperspectralimage

classification.However,thecurrentmodelgenerallyobtainsdeepglobalcharacteristicsby

increasingthenumberofnetworklayers,ignoringthecontextcharacteristicsofglobal-local

neighborhoods.Tosolvetheseproblems,twoeffectivehyperspectralimageclassification

modelsareproposed,whichcanextractthecontextinformationofhyperspectralimages

effectivelywithoutincreasingthecomplexityofthemodel.Thedetailsareasfollows:

1.Thispaperfirstvisualizedatwo-branchnetworkmodel,whichextractsthespatialand

spectrallocalcontextfeatures,adaptivelyfusesandrefinesthefeaturesatdifferentlevels,and

hasanefficientabilitytoaggregatecontextinformation.Themodelusesself-calibrated

convolutiontoextractspatialinformation.Spectralinformationisextractedusingmultiscale

denseconvolution.Thelocalfeatureextractionmoduleproposedin