Un Nouveau Réseau d'Attention Multivarié Intégré à Double Branche pour la Classification de Télédétection Hyperspectrale

Avec la maturité continue de la technologie d'imagerie de télédétection hyperspectrale, elle a été largement adoptée par les chercheurs pour améliorer la performance de la classification des caractéristiques. Cependant, en raison des défis liés à l'acquisition d'images hyperspectrales et à la production d'échantillons d'entraînement, le nombre limité d'échantillons d'entraînement est un problème courant auquel les chercheurs sont souvent confrontés. De plus, des algorithmes efficaces sont nécessaires pour extraire les informations spatiales et spectrales de ces images, puis tirer pleinement parti de ces informations avec des échantillons d'entraînement limités. Pour résoudre ce problème, un nouveau modèle de réseau d'apprentissage profond à deux branches est proposé pour extraire les caractéristiques de télédétection hyperspectrale dans cet article. Dans ce modèle, une branche se concentre sur l'extraction des caractéristiques spectrales à l'aide de convolution multi-échelle et d'un module d'attention basé sur la normalisation, tandis que l'autre branche capture les caractéristiques spatiales grâce à une convolution de dilation à petite échelle et à l'Attention de Similarité Euclidienne. Par la suite, des techniques de pooling et de superposition sont employées pour extraire davantage des caractéristiques abstraites après fusion des caractéristiques. Dans les expériences menées sur deux ensembles de données publics, à savoir, IP et UP, ainsi que sur notre propre ensemble de données étiqueté, à savoir, YRE, le DMAN proposé atteint les meilleurs résultats de classification, avec des précisions globales de 96,74 %, 97,4 % et 98,08 %, respectivement. Comparé aux méthodes optimales sous-optimales à l'état de l'art, les précisions globales sont améliorées de 1,05, 0,42 et 0,51 points de pourcentage, respectivement. L'avantage de cette structure de réseau est particulièrement évidente dans des environnements d'échantillons déséquilibrés. De plus, nous introduisons une nouvelle stratégie basée sur le RPNet, qui utilise un petit nombre de composantes principales pour la classification des caractéristiques après réduction de dimensionnalité. Les résultats démontrent son efficacité à révéler des informations de caractéristiques compressées, avec une amélioration de la précision globale de 0,68 point de pourcentage. Par conséquent, notre modèle contribue à atténuer l'impact de la rareté des données sur la performance du modèle, contribuant ainsi positivement à l'avancement de la technologie de télédétection hyperspectrale dans des applications pratiques.