GRSL 2024:Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification
题目
Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification
作者
Ali Jamali, Swalpa Kumar Roy, Danfeng Hong, Peter M Atkinson, and Pedram Ghamisi
关键词
Graph Convolutional Network, attention mechanism, image classification, Global Reasoning Unit, vision transformers.
研究动机
全局特征提取
模型
卷积神经网络(CNN)在遥感领域得到了广泛的应用,因为它能够从广泛的目标模式中捕获复杂的特征,无论目标的大小、形状或颜色。这些网络在提取角度、边缘和轮廓等高频光谱信息方面具有优势。然而,由于CNN通过集中在中心像素的固定形状的核来学习特征,因此对分类边界区域的识别变得模糊,并且在类边界区域的图像分类中表现不佳。另外,CNN不是为捕获全局关系而设计的。因此,本文将对CNN的分类边界区域进行改进本文提出了一种基于注意力图的卷积网络模型。该模型与几种细胞神经网络和基于维特的模型相比具有很高的优势。例如,在奥格斯堡数据基准测试中,该算法的平均准确率为61.11%,比其他模型如HybriSN iFormer、Efficient Forward、GCN、CoAtNet、2D-CNN、3D-CNN和Resnet分别高出约9、13、14、15、18、24、25和29个百分点。