基于3D卷积联合注意力机制的高光谱图像分类

王浩, 张晶晶, 李园园, 王峰, 寻丽娜

王浩, 张晶晶, 李园园, 王峰, 寻丽娜. 基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术, 2020, 42(3): 264-271.
引用本文: 王浩, 张晶晶, 李园园, 王峰, 寻丽娜. 基于3D卷积联合注意力机制的高光谱图像分类[J]. 红外技术, 2020, 42(3): 264-271.
WANG Hao, ZHANG Jingjing, LI Yuanyuan, WANG Feng, XUN Lina. Hyperspectral Image Classification Based on 3D Convolution Joint Attention Mechanism[J]. Infrared Technology , 2020, 42(3): 264-271.
Citation: WANG Hao, ZHANG Jingjing, LI Yuanyuan, WANG Feng, XUN Lina. Hyperspectral Image Classification Based on 3D Convolution Joint Attention Mechanism[J]. Infrared Technology , 2020, 42(3): 264-271.

基于3D卷积联合注意力机制的高光谱图像分类

基金项目: 安徽省自然科学基金(1808085MF209)%偏振光成像探测技术安徽省重点实验室开放基金(2019KJS030009)
详细信息
  • 中图分类号: O235

Hyperspectral Image Classification Based on 3D Convolution Joint Attention Mechanism

  • 摘要: 由于高光谱图像存在较高的数据维数,会给分类过程带来一些困难.为了提高分类的准确率,提出了一种使用3D卷积联合注意力机制的高光谱图像分类方法.首先,将中心像素与周围相邻的其它像素进行配对,可以通过配对构成多组新的像素对,充分利用了像素之间的邻域相关性.接着,将像素对放入3D卷积联合注意力机制网络框架中进行分类,它能够对高光谱图像中的特征进行选择性的学习.最后,通过投票策略获得像素标签.实验是在两个真实的高光谱图像数据集上进行.结果表明,所提出的方法充分挖掘了高光谱图像的光谱空间特征,能有效地提高分类精度.
  • 期刊类型引用(4)

    1. 陈锦妮,拜晓桦,李云红,田谷丰. 基于PA-YOLO v5的印制电路板缺陷检测. 红外技术. 2024(06): 654-662 . 本站查看
    2. 杨云,周瑶,陈佳宁. 基于多尺度混合卷积网络的高光谱图像分类. 液晶与显示. 2023(03): 368-377 . 百度学术
    3. 孙丽英. 基于云计算技术的高光谱图像数据存储研究. 绥化学院学报. 2022(08): 157-160 . 百度学术
    4. 张晓华. 基于对抗技术的高光谱图像分类系统的设计及实现. 测试技术学报. 2020(06): 520-525+543 . 百度学术

    其他类型引用(3)

计量
  • 文章访问数:  498
  • HTML全文浏览量:  39
  • PDF下载量:  63
  • 被引次数: 7
出版历程

目录

    /

    返回文章
    返回