面向高光谱图像分类的高效动态注意力 3D 卷积
计算机视觉与模式识别
2025-04-01 v1
摘要
深度神经网络在高光谱图像分类中面临诸多挑战,包括对联合空域-光谱信息的利用不足、随深度增加导致的梯度消失以及过拟合问题。为提高特征提取效率并跳过冗余信息,本文提出一种基于改进 3D-DenseNet 模型的动态注意力卷积设计。该设计采用多个平行卷积核而非单个卷积核,并为这些平行卷积分配动态注意力权重。这种动态注意力机制可基于高光谱图像空域维度中的空间特征实现自适应特征响应,更关注关键空间结构。在光谱维度上,它实现了对不同波段的动态判别,缓解了高光谱维度导致的信息冗余和计算复杂度。DAC 模块通过注意力机制对多个卷积核进行聚合来增强模型的表征能力,而无需增加网络深度或宽度。该方法在推理速度和准确率方面均表现出优越性能,在 IN、UP 和 KSC 数据集上超越了主流的高光谱图像分类方法。
引用
@article{arxiv.2503.23472,
title = {Efficient Dynamic Attention 3D Convolution for Hyperspectral Image Classification},
author = {Guandong Li and Mengxia Ye},
journal= {arXiv preprint arXiv:2503.23472},
year = {2025}
}