双分支多维注意特征融合的高光谱图像分类

为改善高光谱图像小样本类别的分类性能，提高模型特征表达的稳健性，提出了双分支多维注意力特征融合的神经网络分类模型（DBMD）。DBMD采用两个分支分别进行光谱特征提取和混合特征提取。光谱分支通过密集连接的扩张卷积逐级提取特征，然后融合低、中、高级语义信息作为特征输出。混合分支采用3D-2D网络架构，并通过改进的Inception块提取空间尺度特征。此外，注意力机制分别应用于光谱、空间和空谱特征，进行特征细化，增强重要区域的特征响应。最后，将不同维度的细化特征联合输入至分类器进行分类。在Indian Pines和Salinas valley数据集上利用5%和1%的样本进行实验，分别取得了98.40%和99.78%的总体精度，与其他六种网络架构相比，该模型在准确性和稳定性上都具有更优的表现。