由情境映射驱动的专家核生成网络用于 hyperspectral 图像分类

深度神经网络在 hyperspectral 图像分类中面临诸多挑战，包括高维数据、地面对象的稀疏分布以及光谱冗余，这些因素常常导致分类过拟合和泛化能力受限。为更高效地适应地面对象分布，同时在不引入过多参数和跳过冗余信息的前提下提取图像特征，本文提出一种基于改进 3D-DenseNet 模型的 EKGNet，包含 context-aware mapping network 和 dynamic kernel generation module。context-aware mapping 模块将 hyperspectral 输入的全局情境信息转化为组合 base convolutional kernels 的指令，而 dynamic kernels 由 K 组 base convolutions 组成，类似于 K 个专家分别专注于不同维度上的基本模式。mapping 模块和 dynamic kernel generation 机制构成一个紧密耦合的系统——前者根据输入生成有意义的组合权重，而后者则利用这些权重构建自适应 expert convolution 系统。这种 dynamic 方法使模型在处理不同区域时能够更灵活地关注关键空间结构，而不必依赖单个静态卷积核的固定感受野。EKGNet 通过不增加网络深度或宽度的前提下，通过 3D dynamic expert convolution 系统提升了模型的表示能力。该方法在 IN、UP 和 KSC 数据集上表现出优于主流 hyperspectral 图像分类方法的优异性能。