高光谱影像分类论文解读分享之Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification

曦曦逆风

已于 2024-02-20 10:18:25 修改

阅读量394

点赞数 5

文章标签：深度学习人工智能高光谱影像分类

于 2024-02-19 21:22:19 首次发布

本文链接：https://blog.csdn.net/sinat_41421587/article/details/136178356

版权

本文提出了一种AttentionGraphConvolutionalNetwork(AGCN)，改进了CNN在处理高光谱图像分类时的边界区域识别问题。AGCN利用注意力机制捕获全局特征，实现在奥格斯堡数据集上显著优于其他模型，如HybriSNiFormer、EfficientForward等，平均准确率高达61.11%。

摘要由CSDN通过智能技术生成

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

在这里插入图片描述

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。

论文以及代码

论文链接: link
代码链接: link

曦曦逆风

关注

5
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
高光谱影像分类论文解读分享之Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification

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。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。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。
复制链接

扫一扫