注意力机制结合混合密集网络用于高光谱图像分类
计算机视觉与模式识别
2022-01-05 v1 图像与视频处理
摘要
卷积神经网络(CNN)确实更为适用。然而，固定的卷积核尺寸使传统CNN过于特定，既不灵活也不利于特征学习，从而影响分类精度。不同核尺寸网络的卷积可通过捕获更具判别力与相关性的信息来克服该问题。有鉴于此，所提出的方案旨在将3D与2D Inception网络的核心思想与注意力机制相结合，以在混合场景下提升高光谱图像分类(HSIC)的CNN性能。所得到的注意力融合混合网络(AfNet)基于三个注意力融合的并行混合子网络，每个块中使用不同卷积核并重复利用高层特征以增强最终的地面真值图。简言之，AfNet能够选择性地滤除对分类至关重要的判别性特征。在HSI数据集上的若干测试表明，与最先进(SOTA)模型相比，AfNet取得了具有竞争力的结果。所提出的流程在Indian Pines上总体精度达97%，在Botswana上达100%，在Pavia University、Pavia Center和Salinas数据集上达99%。
引用
@article{arxiv.2201.01001,
title = {Attention Mechanism Meets with Hybrid Dense Network for Hyperspectral Image Classification},
author = {Muhammad Ahmad and Adil Mehmood Khan and Manuel Mazzara and Salvatore Distefano and Swalpa Kumar Roy and Xin Wu},
journal= {arXiv preprint arXiv:2201.01001},
year = {2022}
}