典型文献
引入注意力机制的卷积神经网络高光谱图像分类
文献摘要：
近年来，以卷积神经网络为代表的深度学习方法因不用进行复杂的数据预处理和特征设计逐渐成为高光谱图像分类领域的研究热点。在现有的神经网络模型基础上，结合高光谱图像数据特点，提出了一种注意力卷积神经网络模型。该模型通过残差结构构建深度卷积神经网络提取空谱特征，引入通道注意力机制对提取的特征进行重标定。根据特征重要性的不同，注意力机制对不同通道上的特征赋予不同的权重，突出重要特征，抑制次要特征，从而提高分类的精度。在两个公开的高光谱数据集Indian Pines和Pavia University上进行了实验。当数据集的空间邻域大小设置为19×19，Indian Pines以3∶1∶6的比例划分样本，Pavia University以1∶1∶8的比例划分样本时，数据集的分类精度最优，平均总体分类精度为99.55%，平均分类精度为99.31%，平均Kappa系数为99.45%。实验结果表明，引入残差结构的深度卷积神经网络可以提取高光谱图像的深层空谱特征，注意力机制对特征进行重新标定，强化了重要特征，从而有效提高了高光谱图像的分类精度。
文献关键词：
成像系统;高光谱图像;卷积神经网络;残差结构;注意力机制
中图分类号：
作者姓名：
陈文豪;何敬;刘刚
作者机构：
成都理工大学地球科学学院，四川 成都 610059;成都理工大学地质灾害防治与地质环境保护国家重点实验室，四川 成都 610059
文献出处：
引用格式：
[1]陈文豪;何敬;刘刚-.引入注意力机制的卷积神经网络高光谱图像分类)[J].激光与光电子学进展,2022(18):1811001
A类：
B类：
高光谱图像分类,深度学习方法,法因,不用,数据预处理,图像数据,卷积神经网络模型,残差结构,深度卷积神经网络,空谱特征,通道注意力机制,特征重要性,高光谱数据,Indian,Pines,Pavia,University,空间邻域,分样,分类精度,平均分,Kappa,成像系统
AB值：
0.189653
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。
