结合注意力和改进样本选取方法的少样本高光谱分类孪生网络.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

Computer

Systems

Applications,2024,33(3):85−94

[doi:

10.15888/ki.csa.009432]

©中国科学院软件研究所版权所有.Tel:

+86-10

结合注意力和改进样本选取方法的少样本高光

谱分类孪生网络①

112

杨宇新,

郭躬德,

王晖

1(福建师范大学

计算机与网络空间安全学院,

福州

350117)

2(贝尔法斯特女王大学

电子学、电气工程与计算机科学学院,

贝尔法斯特

BT9

5BN)

通信作者:

郭躬德,

E-mail:

ggd@;

王晖,

E-mail:

h.wang@qub.ac.uk

摘要:

针对高光谱图像(hyperspectral

image)样本人工标记困难导致的样本数量不足的问题,

本文提出了一个结

合注意力和空间邻域的少样本孪生网络算法.

它首先对高光谱图像进行PCA预处理,

实现数据降维;

其次,

对模型

训练样本采用间隔采样和边缘采样的方式进行选取,

以有效减少冗余信息;

之后,

Siamese

network以大小不同的patch

形式进行两两结合,

构建出样本对作为训练集进行训练,

不仅实现了数据增强的效果,

还能在提取光谱信息特征的

同时,

充分提取目标像素光谱信息以及其周围邻域空间信息;

最后,

添加光谱维度的注意力模块以及空间维度的相

似度度量模块,

分别对光谱信息和空间邻域信息进行权重分布,

以达到提升分类性能的目的.

实验结果表明,

本文提

出的方法在部分公开数据集上对比常用方法取得了较好的实验效果.

关键词:

高光谱图像分类;

Siamese

network;

注意力机制;

少样本学习;

深度学习

引用格式:

杨宇新,郭躬德,王晖.结合注意力和改进样本选取方法的少样本高光谱分类孪生网络.计算机系统应用,2024,33(3):85–94.

http://www.c-

/1003-3254/9432.html

Few-shotHyperspectralClassificationSiameseNetworkCombiningAttentionandImproved

SampleSelectionMethod

112

YANG

Yu-Xin,

GUO

Gong-De,

WANG

Hui

1(College

of

Computer

and

Cyber

Security,

Fujian

Normal

University,

Fuzhou

350117,

China)

2(School

of

Electronics,

Electrical

Engineering

and

Computer

Science,

Queen’s

University

Belfast,

Belfast

BT9

5BN,

UK)

Abstract:

In

order

to

solve

the

problem

of

the

insufficient

number

of

hyperspectral

image

samples

due

to

the

difficulty

of

artificial

labeling,

a

small

sample

twin

network

algorithm

combining

attention

and

spatial

neighborhood

is

proposed

in

this

study.

Firstly,

the

hyperspectral

image

is

preprocessed

by

PCA

to

achieve

data

dimensionality

reduction.

Secondly,

the

training

samples

of

th