Residual Spectral–Spatial Attention Network zur Klassifikation hyperspektraler Bilder

In den letzten fünf Jahren wurde Deep Learning eingeführt, um die Klassifikation hyperspektraler Bilder (HSI) anzugehen und gute Ergebnisse zu zeigen. Insbesondere die auf konvolutionalen neuronalen Netzwerken (CNN) basierenden Methoden zur HSI-Klassifikation haben große Fortschritte gemacht. Allerdings wird die Leistung dieser Methoden durch das Lernen von Merkmalen aus unnützen Bändern für die Klassifikation aufgrund der hohen Dimensionalität von HSI und der gleichwertigen Behandlung aller Bänder beeinträchtigt. Darüber hinaus behindert die gleichwertige Behandlung räumlicher Informationen aus der pixelzentrierten Nachbarschaft die Leistung dieser Methoden in patchweise basierten CNN-Modellen. In diesem Artikel schlagen wir ein End-to-End residuales spektral-räumliches Aufmerksamkeitsnetzwerk (RSSAN) zur HSI-Klassifikation vor. Das RSSAN verarbeitet rohe 3-D-Würfel als Eingabedaten ohne zusätzliche Merkmalsbearbeitung. Zunächst wurde ein spektrales Aufmerksamkeitsmodul entworfen, um spektrale Bänder aus den rohen Eingabedaten auszuwählen, indem nützliche Bänder für die Klassifikation hervorgehoben und nutzlose Bänder unterdrückt werden. Dann wurde ein räumliches Aufmerksamkeitsmodul entwickelt, um die adaptive Auswahl räumlicher Informationen zu ermöglichen, indem Pixel aus derselben Klasse wie das zentrale Pixel oder solche, die für die Klassifikation in der pixelzentrierten Nachbarschaft nützlich sind, hervorgehoben und solche aus einer anderen Klasse oder nutzlose unterdrückt werden. Zweitens werden zwei Aufmerksamkeitsmodule auch im folgenden CNN zur adaptiven Merkmalsverfeinerung beim spektral-räumlichen Merkslernen verwendet. Drittens wird ein sequenzielles spektral-räumliches Aufmerksamkeitsmodul in einen residualen Block eingebettet, um Überanpassung zu vermeiden und das Training des vorgeschlagenen Modells zu beschleunigen. Experimentelle Studien zeigen, dass das RSSAN im Vergleich zum Stand der Technik eine überlegene Klassifikationsgenauigkeit auf drei HSI-Datensätzen erreicht hat: Indian Pines (IN), University of Pavia (UP) und Kennedy Space Center (KSC).