典型文献
基于快速双分支密集连接网络和双注意力机制的高光谱图像分类
文献摘要：
近年来,基于深度学习的高光谱图像(HSI)分类研究引起了各领域的广泛关注.HSI光谱波段数多、信息冗余度高、计算复杂,出现训练样本不足的问题,容易导致模型训练过拟合,影响分类精度.为了提高分类精度并减少训练时间,提出一种基于三维卷积神经网络(3D-CNN)并结合双分支双注意力机制的快速密集连接网络,用于HSI的分类.首先利用主成分分析(PCA)对原始数据进行降维,减少冗余信息,然后采用双分支密集连接结构,并结合快速傅里叶变换(FFT)的双分支高效通道注意力(ECA)机制,同时增加了一个FFT层,既保证了模型的分类精度,也加快了模型的训练速度.在多个公共高光谱数据集上对方法进行实验验证,性能评估指标采用总体分类精度(OA),平均分类精度(AA)和Kappa系数.实验结果表明,所提方法在提高分类精度的同时,显著减少了训练时间和测试时间.
文献关键词：
图像处理;高光谱图像分类;主成分分析;密集连接;双注意力机制;快速傅里叶变换
中图分类号：
作者姓名：
杨国亮;龚家仁;习浩;李世聪;邹俊峰
作者机构：
江西理工大学电气工程与自动化学院,江西赣州341000
文献出处：
引用格式：
[1]杨国亮;龚家仁;习浩;李世聪;邹俊峰-.基于快速双分支密集连接网络和双注意力机制的高光谱图像分类)[J].激光与光电子学进展,2022(08):61-72
A类：
B类：
双分支,密集连接网络,双注意力机制,高光谱图像分类,HSI,分类研究,波段,信息冗余度,训练样本,模型训练,过拟合,分类精度,少训练,训练时间,三维卷积神经网络,原始数据,冗余信息,密集连接结构,快速傅里叶变换,FFT,高效通道注意力,ECA,既保证,训练速度,高光谱数据,性能评估,OA,平均分,AA,Kappa,测试时间
AB值：
0.255046
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
