由于高光譜圖像存在較高的數(shù)據(jù)維數(shù),會(huì)給分類(lèi)過(guò)程帶來(lái)一些困難。為了提高分類(lèi)的準(zhǔn)確率,提出了一種使用3D卷積聯(lián)合注意力機(jī)制的高光譜圖像分類(lèi)方法。首先,將中心像素與周?chē)噜彽钠渌袼剡M(jìn)行配對(duì),可以通過(guò)配對(duì)構(gòu)成多組新的像素對(duì),充分利用了像素之間的鄰域相關(guān)性。接著,將像素對(duì)放入3D卷積聯(lián)合注意力機(jī)制網(wǎng)絡(luò)框架中進(jìn)行分類(lèi),它能夠?qū)Ω吖庾V圖像中的特征進(jìn)行選擇性的學(xué)習(xí)。最后,通過(guò)投票策略獲得像素標(biāo)簽。實(shí)驗(yàn)是在兩個(gè)真實(shí)的高光譜圖像數(shù)據(jù)集上進(jìn)行。結(jié)果表明,所提出的方法充分挖掘了高光譜圖像的光譜空間特征,能有效地提高分類(lèi)精度。 

【文章來(lái)源】：紅外技術(shù). 2020,42(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

注意力機(jī)制神經(jīng)網(wǎng)絡(luò)模型Fig.3Attentionmechanismneuralnetworkmodeljh3ht..tt

【參考文獻(xiàn)】：
期刊論文
[1]基于聯(lián)合協(xié)同表示與SVM決策融合的高光譜圖像分類(lèi)研究[J]. 李鐵,張新君.  計(jì)算機(jī)應(yīng)用研究. 2017(06)
[2]基于經(jīng)驗(yàn)?zāi)B(tài)分解的SVM-KNN高光譜圖像分類(lèi)方法[J]. 左航.  微型電腦應(yīng)用. 2016(12)
[3]加權(quán)空-譜與最近鄰分類(lèi)器相結(jié)合的高光譜圖像分類(lèi)[J]. 黃鴻,鄭新磊.  光學(xué)精密工程. 2016(04)



本文編號(hào)：3208934