3DSA-MFN:用于高光谱图像分类的结合3D自注意力的多尺度特征融合网络

蓝翔技校的码农

已于 2022-03-29 02:40:46 修改

阅读量7.8k

点赞数

分类专栏：笔记文章标签：深度学习人工智能

于 2022-03-29 02:39:13 首次发布

本文链接：https://blog.csdn.net/qq_43349542/article/details/123810292

版权

本文提出了一种名为3DSA-MFN的新型网络模型，用于高光谱图像分类任务。该模型利用多尺度特征融合和改进的3D多头自注意力机制，有效地提取了空间和光谱特征，并建立了长距离依赖关系。实验结果表明，3DSA-MFN在网络性能方面表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文题目： Multiscale Feature Fusion Network Incorporating 3D Self-Attention for Hyperspectral Image Classification
作者： 中北大学
在这里插入图片描述
期刊： 中科院二区 Remote Sensing

摘要：
近年来，基于深度学习的高光谱图像（HSI）分类方法取得了巨大成功，卷积神经网络（CNN）方法在HSI分类任务中取得了良好的分类性能。然而，卷积操作仅适用于局部邻域，并且在提取局部特征方面是有效的。长距离的交互特征难以捕捉，在一定程度上影响了分类的准确性。同时，来自HSI的数据具有三维、冗余和噪声的特点。为了解决这些问题，我们提出了一种集成了 3D 多头自注意力的 3D 自注意力多尺度特征融合网络（3DSA-MFN）。 3DSA-MFN首先使用不同大小的卷积核提取多尺度特征，对特征图的不同粒度进行采样，有效融合特征图的空间和光谱特征。然后，我们提出了一种改进的 3D 多头自注意力机制，为自注意力分支提供局部特征细节，并充分利用输入矩阵的上下文。为了验证所提出方法的性能，我们将其与三个公共数据集上的六种当前方法进行了比较。实验结果表明，所提出的3DSA-MFN实现了有竞争力的分类并突出了HSI分类任务。