【论文笔记】Spectral-Spatial Attention Network for Hyperspectral Image Classification

最新推荐文章于 2024-02-25 14:54:54 发布
最新推荐文章于 2024-02-25 14:54:54 发布
阅读量3.6k 收藏 11
点赞数 3
分类专栏： DL论文笔记 文章标签： 深度学习 人工智能 高光谱分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40721337/article/details/106424154
版权

H. Sun, X. Zheng, X. Lu and S. Wu, “Spectral–Spatial Attention Network for Hyperspectral Image Classification,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 5, pp. 3232-3245, May 2020, doi: 10.1109/TGRS.2019.2951160.

1.贡献点

  首先提出一个由光谱模块和空间模块组成的SSN（Spectral-Spatial Network）网络，然后在其基础上引入attention module，提出SSAN网络。

2.论文细节

  本文对文献的分类综述挺好的，文章思想也很简单。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
immortal12
关注
  • 3
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
专栏目录
订阅专栏
Paper Reading — 《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》
01-20
论文：《Spectral-Spatial Attention Networks for Hyperspectral Image Classification》 1. Motivation 在CNN和RNN中引入attention机制： RNN + attention：学习波谱内部相关性 CNN + attention：关注空间维的显著特征以及相邻像元的空间相关性 2. Structure of Model 总体思路：分别用引入注意力机制的RNN和CNN提取光谱特征和空间特征，将最后的全连接层拼接在一起，然后再通过全连接层得到类别标签输出，相当于将两个网络提取的特征做了融合和提取。 3. Da
HSRNet : 基于空间光谱注意力机制的卷积网络
Miracle Fan的博客
11-20 507
对于高分辨率多光谱（高分辨率意味空间信息更好）图像，采用spatial attention机制进行空间信息的保留，对于低分辨率高光谱（多频段也就是多channel）图像，采用channel attention对于通道数（频段数）进行通道信息保留。引入PixelShuffle模块进行上采样操作在concat阶段，对MS和HS进行交叉concat，使得信息融合更好。
Deep Collaborative Attention Network forHyperspectral Image Classification by Combining2-D CNN and
最新发布
Kongxiangyunltj的博客
02-25 352
输入假设一开始是h，w，d，经过pac处理之后变成h,w,b(光谱减少)，然后并行的结构，2d/3d卷积卷四次，有四个结果，这边3d的结果reshape之后和2d的结合在一起，是直接拼接在一起，然后过注意力模块。（3）为了充分利用不同层次间互补的光谱空间特征，CACNN采用了多层特征融合策略。得到的判别特征映射有助于实现预期的分类结果。问题：仅使用二维CNN可能会导致缺失通道关系信息，而仅使用三维CNN可能会使模型变得非常复杂。此外，现有的网络模型对提取光谱空间相关信息重视不够。的核心思想就是上面说的，
Spectral–spatial hyperspectral image classification
yodala的博客
05-18 642
2022/05/18-遥感影像的全色、多光谱、高光谱图像高光谱图像分类Spectral–spatial hyperspectral image classification based on KNN 遥感影像的全色、多光谱、高光谱图像 遥感成像原理： 光进入相机镜头，光电感应装置将光信号转换为电信号，量化电脉冲信号，记录为一个像素值。传感器响应函数设计为，要使光电感应装置产生这个电脉冲信号，光子强度必须达到一个阈值。进入镜头的光子数量取决于相机的感受野大小，镜头能通过的光子。多光谱图像要分出多个波段，镜头会
【综述——深度学习中的视觉注意方法】
Sunny_Coder的博客
03-23 652
【综述——深度学习中的视觉注意方法】
Spatial-Spectral Transformer for Hyperspectral Image Classification
陌若安生的博客
02-15 3064
论文地址：https://doi.org/10.3390/rs13030498 Abstract 近年来，人们提出了大量基于深度卷积神经网络(CNN)的高光谱图像(HSI)分类方法。本文提出的基于cnn的方法虽然具有空间特征提取的优势，但它们难以处理序列数据，且cnn不擅长对远程依赖关系进行建模。然而，HSI的光谱是一种序列数据，通常包含数百个波段。因此，cnn很难很好地处理HSI处理。另一方面，基于注意机制的Transformer模型在处理序列数据方面已经证明了其优越性。为了解决长距离HSI序列谱的
SSAN-Spectral-Spatial Attention Networks for Hyperspectral Image Classification
qq_36632466的博客
11-14 2332
paper:Spectral-Spatial Attention Networks for Hyperspectral Image Classification 空谱注意力网络应用于高光谱图像分类 摘要： CNN、RNN等深度学习模型被广泛应用于高光谱任务中提取深层特征。受人类视觉系统的启发，本文提出一种空谱注意力网络来进行高光谱图像分类。本文方法中，具有注意力机制的RNN可以通过连续光谱段学习内部光谱间的关系；具有注意力机制的CNN聚焦于空间域内显著特征和邻近像素的空间相关性。实验结果表面本文方法充分利用
[HSI论文阅读] | SSRN：Spectral-Spatial residual network for HSI classification
学习笔记
04-16 4475
写在前面 论文： Z. Zhong, J. Li, Z. Luo and M. Chapman, “Spectral–Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework,” in IEEE Transactions on Geoscience and Remote Sensing, vol. 56, no. 2, pp. 847-858, Feb. 2018, doi:
深度学习论文学习
qq_59666235的博客
03-18 2208
高光谱图像分类
深度学习在高光谱图像去噪中的论文大全-一直更新
Hermite Lee的博客
11-07 2902
2017： Hyperspectral imagery denoising by deep learning with trainable nonlinearity function 2018： Hyperspectral image denoising employing a spatial–spectral deep residual convolutional neural network HSI-DeNet: Hyperspectral image restoration via convol
【论文翻译】Spectral-Spatial Residual Network for Hyperspectral Image Classification A 3-D Deep Learning F
顺子的博客
07-22 2638
光谱-空间残差网络或高光谱图像分类：一个三维深度学习框架 摘要——在本文中，我们设计了一个端到端光谱空间残差网络(SSRN)，它以原始3-D立方体作为输入数据，而不需要特征工程进行高光谱图像分类。在该网络中，光谱和空间残差块从高光谱图像(HSI)中丰富的光谱特征和空间上下文中连续学习鉴别特征。所提出的SSRN是一种有监督的深度学习框架，它缓解了其他深度学习模型的精度下降现象。具体来说，残差块通过标识映射连接每一个其他3-D卷积层，这有利于梯度的反向传播。此外，我们还对每个卷积层进行批量归一化，使学习.
Spectral-feature-selection-for-data-mining
04-14
这是关于频谱特征选择数据挖掘的电子书，高清，最新版本，经典著作，英文版
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
02-22
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
Spatial-Spectral Kernel Sparse Representation for Hyperspectral Image Classification
02-09
This paper proposes a neighboring filtering kernel to spatial-spectral kernel sparse representation for enhanced classification of hyperspectral images. The novelty of this work consists in:
Active Transfer Learning Network: A Unified Deep Joint Spectral-Spatial Feature Learning Model for Hyperspectral Image Classification
02-07
Deep learning has recently attracted significant attention in the field of hyperspectral images (HSIs) classification. However, the construction of an efficient deep neural network mostly relies on a ...
Spectral-Spatial Hyperspectral Image Classification via Multiscale Adaptive Sparse Representation
02-09
Sparse representation has been demonstrated to be a powerful tool in classification of hyperspectral images (HSIs). The spatial context of an HSI can be exploited by first defining a local region for ...
IEEE论文模板（latex/word）
immortal的小屋
06-26 5089
IEEE论文模板下载地址 step1 step2
Deep Few-Shot Learning for Hyperspectral Image Classification（2019）——深度学习论文笔记（四）
immortal的小屋
05-28 1764
Deep Few-Shot Learning for Hyperspectral Image Classification（2019） Abstract   论文提出了一种deep few-shot learning方法来解决HSI分类中样本量少的问题。算法包含了3种新策略： 首先，通过deep residual 3-D CNN提取spectral-spatial features以减少标记时的...
explicit spectral-to-spatial convolution for pansharpening
09-19
explicit spectral-to-spatial convolution for pansharpening是一种用于全色融合的显式光谱到空间卷积方法。全色融合是将高分辨率的全色（黑白）图像与低分辨率的多光谱（彩色）图像融合，以提高图像质量和细节。传统的融合方法常常使用高通滤波器进行频域操作，而explicit spectral-to-spatial convolution for pansharpening则使用基于卷积的空间域方法。 该方法基于以下原理：在全色图像中，光谱分辨率高，但空间分辨率较低；而在多光谱图像中，光谱分辨率较低，但空间分辨率较高。因此，通过将全色图像的光谱信息传递给多光谱图像，可以提高多光谱图像的空间分辨率。 explicit spectral-to-spatial convolution for pansharpening方法通过使用卷积核，将全色图像的光谱信息转换为空间域的高频细节。这个卷积核是根据光谱和空间信息之间的关系而设计的。通过将这个卷积核应用于低分辨率的多光谱图像，可以增强其空间细节，使其接近高分辨率的全色图像。 这种方法的优势在于显式地将光谱信息转换为空间域的细节，能够更好地保留图像的光谱特征和空间细节。与传统的频域方法相比，显式光谱到空间卷积方法更容易实现，并且能够更好地适应各种图像场景。 总之，explicit spectral-to-spatial convolution for pansharpening是一种通过卷积将全色图像的光谱信息转换为多光谱图像的空间细节的方法，以实现全色融合，提高图像质量和细节。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

immortal12

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值