基于双分支次像素引导的高光谱图像分类网络
图像与视频处理
2024-12-06 v1 人工智能
计算机视觉与模式识别
摘要
深度学习 (DL) 因其在特征学习和表示能力上的突出表现，广泛应用于高光谱图像 (HSI) 分类。然而，受传感器空间分辨率限制，现有基于深度学习的分类方法主要关注通过复杂网络结构设计来提取像素级的光谱和空间信息，忽略了实际情景中混合像素的存在。为解决这一困难，本文提出一种新型双分支次像素引导网络用于 HSI 分类，称为 DSNet，通过引入深度自编码器解混合架构自动整合次像素信息和卷积类别特征，以提升分类性能。DSNet 能够充分考虑次像素内的物理非线性特性，并以无监督方式自适应生成诊断性丰度，从而为类别标签分布实现更可靠的决策边界。设计次像素融合模块以确保像素与次像素特征之间高质量的信息融合，进一步促进稳定的联合分类。在三个基准数据集上的实验结果表明，DSNet 在众多最先进的基于深度学习的 HSI 分类方法中表现出有效性和优越性。代码将在 https://github.com/hanzhu97702/DSNet 上提供，为遥感社区贡献。
引用
@article{arxiv.2412.03893,
title = {Dual-Branch Subpixel-Guided Network for Hyperspectral Image Classification},
author = {Zhu Han and Jin Yang and Lianru Gao and Zhiqiang Zeng and Bing Zhang and Jocelyn Chanussot},
journal= {arXiv preprint arXiv:2412.03893},
year = {2024}
}