【高光谱遥感分类论文解读1】Hyperspectral Image Classification Using Group-Aware Hierarchical Transformer(GAHT)

最新推荐文章于 2025-03-26 15:53:16 发布
原创 最新推荐文章于 2025-03-26 15:53:16 发布 · 2k 阅读 · 29 ·
CC 4.0 BY-SA版权
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。
文章标签：

#transformer #深度学习 #人工智能

目录

一、论文基本信息

二、研究背景

三、研究方法

1. GAHT总体框架

2. GPE模块

3. Transformer编码模块

四、实验

本文是博主对原论文的解读，仅代表博主个人观点，欢迎在评论区和我交流~其中，本博文中的图片和公式均来源于原论文，如需进一步了解，请查看原论文。

一、论文基本信息

       1. 期刊：TGRS(IEEE Transactions on Geoscience and Remote Sensing)

       2. 发表年份：2022年

       3. 研究方向：高光谱遥感影像分类——Transformer流派

       4. 引用格式：Mei S, Song C, Ma M, et al. Hyperspectral image classification using group-aware hierarchical transformer[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-14.

二、研究背景

       在高光谱影像分类中：

       （1）CNN感受野有限，难以捕捉长距离依赖关系；

       （2）Transformer类的方法能够弥补CNN的缺点，提取长距离的位置信息和波段信息，然而，也存在多头注意力机制(multi-head self-attention, MHSA)提取特征过度分散的问题。

       因此，文章提出层次化分组Tran

最低0.47元/天 解锁文章
高光谱图像分类论文学习——SuperPCA！
qq_36338830的博客
05-18 2072
SuperPCA: A Superpixelwise PCA Approach for Unsupervised Feature Extraction of Hyperspectral Imagery Junjun Jiang , Member, IEEE, Jiayi Ma , Member, IEEE, Chen Chen, Member, IEEE, Zhongyuan Wang, Member, IEEE, Zhihua Cai, and Lizhe Wang , Senior Member, I.
高光谱图像分类论文复现--HybridSNNet
qq_36338830的博客
03-02 1193
高光谱图像分类–HybridSNNet 论文名：HybridSN: Exploring 3D-2D CNN Feature Hierarchy for Hyperspectral Image Classification 复现效果： IndianPines train_size=0.1 1024个训练样本 optimizer’s state_dict: ‘lr’: 0.0005, ‘momentum’: 0.9 epoch:0/100 iter:7/8 loss:2.460165 epoch:1/10
高光谱分类论文解读分享之基于多模态融合Transformer的遥感图像分类方法
sinat_41421587的博客
01-09 3305
IEEE TGRS 2023：基于多模态融合Transformer的遥感图像分类方法
高光谱论文
celi_echo的博客
09-13 808
https://ieeexplore.ieee.org/document/8445697/ https://ieeexplore.ieee.org/document/8127433/ https://ieeexplore.ieee.org/document/7729856/ https://ieeexplore.ieee.org/document/8297014/ https://ieee...
Convolutional Transformer Network for Hyperspectral Image Classification卷积变换网络用于高光谱图像分类论文翻译
hello！
12-04 1100
— 卷积神经网络（CNNs）在高光谱图像（HSI）分类中取得了显著的性能。然而，现有的CNNs受到其在HSI分类中有限的感受野限制。最近，变换网络由于其全局感受野，在许多任务中显示出了希望，但它们容易忽略对HSI分类重要的局部信息。在这篇文章中，我们提出了一种名为卷积变换网络（CTN）的新颖方法，用于HSI分类。为了充分利用光谱信息和空间信息，该方法采用中心位置编码（CPE）来合并光谱特征和像素位置。此外，提出的方法引入了卷积变换（CT）块。
DRCNN高光谱图像分类《Diverse Region-Based CNN for Hyperspectral Image Classification》论文解析
weixin_44794449的博客
03-21 6578
引言简介 目前深度学习应用日趋广泛，而卷积神经网络（CNN）作为一种针对图像处理及其有效的网络框架在图像分类领域表现出了良好的性能与准确率。但是对于高光谱图像分类问题CNN也出现了一些问题。 它们主要包括： 1.同一类别的像素可能具有不同的光谱特征，不同类别的像素又可能具有相同的光谱特征，因此仅利用光谱特征很难区分不同像素代表的类别。 2.不能利用高光谱图像当中充足的空间信息与光谱信息。 3.不能...
遥感高光谱分类文献阅读：Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification
VisualCortex
03-19 1456
Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification 2018.11月的TGRS文章。 本文的基本任务是学习出一个特征，从而可以结合谱特征和deep net的空间特征，得到一个spectral–spatial feature representation。这样得到的特征空间中同类的距...
2020高光谱论文简读（分类1）
a601165974的博客
04-21 985
Deep Feature Fusion via Two-Stream Convolutional Neural Network for Hyperspectral Image Classification 发表于TGRA 1)提出了一种新的两流CNN结构用于HSI分类，它可以并行提取光谱、局部空间和全局空间信息。该方法在统一的目标函数下，对特征提取、融合和分类进行端到端的训练。 2）提出了一种基于...
高光谱目标检测论文学习（2）——OSP Using Data Sphering and LRaSMD for HTD
MrBamboo2000的博客
11-27 4107
前言 这篇论文的原题目叫《Orthogonal Subspace Projection Using Data Sphering and Low-Rank and Sparse Matrix Decomposition for Hyperspectral Target Detection》，与高光谱系列（1）中的论文出自同一作者。这篇论文主要是对高光谱目标检测领域一个非常经典而著名的方法OSP（正交子空间投影）进行了改进，和上篇文章的方法内容有相似之处。 思路 我们知道OSP方法是一种非常经典的高光谱目标检测
高光谱目标检测论文学习（1）—— Hyperspectral Target Detection:Hypothesis Testing,SNR and SA Theories
MrBamboo2000的博客
11-24 7201
前言 从这篇开始，将会学习一些高光谱目标检测的论文，我仍然把这篇文章放到了读论文专栏里，但是不对其进行顺序编号了，因为这个方向是比较小众的。今天来学习这篇TGRS2021的最新论文，讲的比较详细，相对比较适合初学者入门。我之前也写过一些有关目标检测的论文，但是高光谱目标检测（HTD）和之前的我们学的目标检测是不同的，因为其检测的对象不是普通摄像头得来的数字图像，而是高光谱遥感图像。其包含了很多光谱信息，而光谱信息本身经过处理后就可以作为特征，因此很多情况下就无需使用广义的目标检测问题中的卷积神经网络等方式去
高光谱图像分类《Spatial Sequential Recurrent Neural Network for Hyperspectral Image Classification》
热门推荐
lemontree的博客
10-17 1万+
空间序列递归神经网络用于高光谱图像分类 本文基于2018年发表于期刊Journal of Selected Topics in Applied Earth Observations and Remote Sensing上的论文“Spatial Sequential Recurrent Neural Network for Hyperspectral Image Classification” ...
高光谱目标检测论文解读分享之全局到局部：一种分级高光谱影像目标检测算法
sinat_41421587的博客
01-17 1659
高光谱图像(HSI)以其强大的地物光谱信息捕捉能力在目标检测领域受到了广泛的关注，已有大量的检测算法被开发出来。首先，利用扩展的形态属性轮廓(EMAP)对HSI中的全局空间纹理信息进行建模，然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模，然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模。更重要的是，为了更有效地区分不同方向的邻域信息，我们设计了一种自适应邻域特征聚合策略，该策略将综合评估不同方向邻域信息的重要性，从而可以综合考虑高光谱目标检测的空间特征。
基于深度学习的高光谱图像分类方法研究
燕鹏
11-13 1952
基于深度学习的高光谱图像分类方法研究
【文献25/03/26】Hyperspectral Image Transformer Classification Networks
qq_45821285的博客
03-26 1202
通过这两个模块，HiT能够增强局部空间-光谱信息的捕获能力，并减少在深层网络中可能出现的局部信息丢失。最后，经过全局平均池化层和全连接层的处理，完成类别预测。
SpectralFormer: Rethinking Hyperspectral Image Classification With Transformers
qq_42208244的博客
04-09 1691
HSI分类
高光谱图像分类
weixin_42735880的博客
12-18 3302
参考论文：《HybridSN: Exploring 3-D–2-DCNN Feature Hierarchy for Hyperspectral Image Classification》 高光谱图像是立体数据，也有光谱维数，仅凭2-D-CNN无法从光谱维度中提取出具有良好鉴别能力的feature maps，3-D-CNN在计算上更加复杂，对于在许多光谱带上具有相似纹理的类来说，单独使用也不会有很好的效果，混合CNN模型克服了之前模型的缺点，将3-D-CNN和2-D-CNN层组合到该模型中，充分利用光谱和空
论文阅读笔记：Spatial-Spectral Transformer for Hyperspectral Image Classification
嗑研狗的日常
07-22 4439
Spatial-Spectral Transformer for Hyperspectral Image Classification 论文题目： Spatial-Spectral Transformer for Hyperspectral Image Classification 下载链接： https://www.researchgate.net/publication/348804892_Spatial-Spectral_Transformer_for_Hyperspectral_Image_Cla
Hyperspectral Image Classification Using Spectral–Spatial Token Enhanced Transformer With Hash-Based
qq_43578042的博客
04-17 496
受到基于 Transformer 的模型在计算机视觉各种任务中提取远程特征的能力的启发 [24]，[25]，[26]，[27]，前期工作 [28]，[29]，[ 30]、[31]、[32]、[33]、[34]引入了用于HSI分类的变压器结构，并取得了可喜的结果。[28]和[30]中的工作捕获了远程空间特征，但忽略了短程空间信息的重要性。值得注意的是，合并 CNN 和 Transformer 在计算机视觉领域表现出了良好的性能 [35]、[36]、[37]、[38]，但在 HSI 分类中尚未得到深入研究。
Hyperspectral Image Classification With Context-Aware Dynamic Graph Convolutional Network
qq_37808565的博客
03-08 1005
论文记录1Abstract一Related worksA高光谱影像分类B图卷积网络二The Proposed methodA图卷积网络B像素到区域的映射C动态图细化D区域到像素映射四试验结果与分析A数据集B试验设置C分类结果D标签数量对试验结果的影像E超参数影响F消融分析Ablation StudyG训练时间五结论 由南京理工大学 Sheng Wan 在2019年9月26日发表在预印本网站arxiv上，链接。 这是我在学习图神经网络在高光谱遥感领域的应用中感觉写的比较优秀的一篇。所以稍作整理，增强理解，供以
Hyperspectral Image Classification With Multi-Attention Transformer and Adaptive Superpixel Segmentation-Based Active Learning
最新发布
09-26
参考提供的引用内容，未涉及基于多注意力变压器和自适应超像素分割的主动学习的高光谱图像分类（Multi - Attention Transformer and Adaptive Superpixel Segmentation - Based Active Learning for Hyperspectral Image Classification）的相关信息。 高光谱图像分类是指对高光谱图像中的每个像素进行类别标记的过程。多注意力变压器（Multi - Attention Transformer）能够捕捉高光谱数据中的复杂特征和长距离依赖关系，自适应超像素分割可将图像分割成具有相似特征的区域，减少数据的冗余性，主动学习则可以通过选择最有价值的样本进行标注，提高分类效率和准确性。 在基于多注意力变压器和自适应超像素分割的主动学习的高光谱图像分类中，多注意力变压器可以用于提取高光谱图像的深层特征，自适应超像素分割可以将图像进行预处理，生成更有意义的超像素块，而主动学习则可以不断选择最具代表性的超像素块进行标注，以提升分类模型的性能。 ### 代码示例 以下是一个简化的高光谱图像分类流程示例（仅为概念展示，非完整代码）： ```python import torch import torch.nn as nn # 定义多注意力变压器模块 class MultiAttentionTransformer(nn.Module): def __init__(self, input_dim, num_heads): super(MultiAttentionTransformer, self).__init__() self.multihead_attn = nn.MultiheadAttention(input_dim, num_heads) def forward(self, x): attn_output, _ = self.multihead_attn(x, x, x) return attn_output # 假设的自适应超像素分割函数 def adaptive_superpixel_segmentation(image): # 这里需要实现具体的自适应超像素分割算法 # 简单示例，返回分割后的超像素块 return image # 主动学习选择样本函数 def active_learning_selection(model, unlabeled_data): # 选择最有价值的样本 # 简单示例，随机选择 import random selected_index = random.choice(range(len(unlabeled_data))) return unlabeled_data[selected_index] # 高光谱图像分类模型 class HyperspectralClassifier(nn.Module): def __init__(self, input_dim, num_classes): super(HyperspectralClassifier, self).__init__() self.transformer = MultiAttentionTransformer(input_dim, num_heads=4) self.fc = nn.Linear(input_dim, num_classes) def forward(self, x): x = self.transformer(x) x = self.fc(x) return x # 示例使用 input_dim = 100 num_classes = 10 model = HyperspectralClassifier(input_dim, num_classes) # 模拟高光谱图像数据 hyperspectral_image = torch.randn(1000, input_dim) # 自适应超像素分割 segmented_image = adaptive_superpixel_segmentation(hyperspectral_image) # 主动学习选择样本 unlabeled_data = segmented_image selected_sample = active_learning_selection(model, unlabeled_data) # 训练模型 # 这里需要实现具体的训练流程 ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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