CN117218429B 基于双分支网络的光谱-空间注意力机制的高光谱图像分类方法 （安徽大学）

基于双分支网络的光谱-空间注意力机制的在每个特定像素周围创建一个相邻区域来收集用softmax回归层来预测每一类地物的概率分有限样本的前提下提高高光谱图像的有效特征2Xspa来收集空间信息，并作为空间子网络的输入，相邻区域Xspa的大小为wxwxc，wxw表示2.根据权利要求1所述的基于双分支网络的光谱一空间注意力机制的高光谱图像分类(3b)对特征立方体进行重新排列，作为二维卷积层的3.根据权利要求1所述的基于双分支网络的光谱一空间注意力机制的高光谱图像分类3(4b)空间注意残差模块位于空间子网络的首端，将调整后的Xspa输入到空间注意残差特征图进行ReLU函数激活，使用3x3卷积核对特征图进行入空间注意力机制，得到加权后的注意力特征xspa，将输入特征图和加权后的注意力特征归一化层ReLU激活函数二维卷积3x3即BNReLUConv(4c)使用5x5的卷积核对特征图进行二维卷积操作重和偏差，再经过ReLU激活函数，通过使用随机失活Dropout层减少过拟合；对随机失活4.根据权利要求1所述的基于双分支网络的光谱一空间注意力机制的高光谱图像分类(5b)光谱子网络中的最后一个全连接层与空间子网络中的最后一个全连接层连接起4[0003]传统的机器学习方法来进行高光谱图像分类，如支持向量机(SVM)、最近邻(K一[0005]近年来，双分支CNN网络被提出来处理高光谱图像分类任务。将模型分为两个分[0007]为解决有限样本下高光谱图像有效特征提取不充分、分5[0015](3a)将相邻区域块Xspe输入光谱子网络，对相邻区域块Xspe依次进行三维卷积操激活函数激活该全连接层的输出，再通过一个全连接层将输出映射回原特征通道数大小，[0021](4b)空间注意残差模块位于空间子网络的首端，将调整后的Xspa输入到空间注意6征xspa在通道维度上进行合并，得到新的特征输入f(x)，在拼接操作前加入空间注意力机[0024](4c)使用5×5的卷积核对特征图进行二维卷积操作，得到活Dropout层的输出进行线性变换和ReLU激活操作，得到一个特征向量，对其进行线性变[0028](5b)光谱子网络中的最后一个全连接层与空间子网络中的最后一个全连接层连中将空间注意力机制与残差网络相结合，将加权后注意力特征图与原始特征图进行融合，7[0040]如图1所示，一种基于双分支网络的光谱一空间注意力机制的高光谱图像分类方[0047](3a)将相邻区域块Xspe输入光谱子网络，对相邻区域块Xspe依次进行三维卷积操激活函数激活该全连接层的输出，再通过一个全连接层将输出映射回原特征通道数大小，8[0053](4b)空间注意残差模块位于空间子网络的首端，将调整后的Xspa输入到空间注意征xspa在通道维度上进行合并，得到新的特征输入f(x)，在拼接操作前加入空间注意力机[0056](4c)使用5×5的卷积核对特征图进行二维卷积操作，得到活Dropout层的输出进行线性变换和ReLU激活操作，得到一个特征向量，对其进行线性变[0060](5b)光谱子网络中的最后一个全连接层与空间子网络中的最后一个全连接层连模块优于SE模块，同时嵌入SE模块和空间注意密集模块的效果更优，两者的嵌入对Pavia9