空间几何增强的三维动态蛇形卷积神经网络用于高光谱图像分类
计算机视觉与模式识别
2025-04-08 v1
摘要
深度神经网络在高光谱图像分类中面临若干挑战，包括复杂且稀疏的地物分布、小簇结构以及细长多分支特征常导致漏检。为了更好地适应地物分布并实现自适应动态特征响应同时跳过冗余信息，本文提出了一种基于改进的3D-DenseNet模型的空间几何增强三维动态蛇形网络（SG-DSCNet）。该网络采用动态蛇形卷积（DSCConv），通过约束自学习引入可变形偏移以增强核灵活性，从而改善对地物的区域感知。此外，我们提出了一种多视角特征融合策略，从DSCConv生成多个形态核模板以从不同角度观察目标结构，并通过总结关键特征实现高效特征融合。这种动态方法使模型在处理不同区域时能更灵活地关注关键空间结构，而非依赖单一静态核的固定感受野。DSC模块通过动态核聚合增强模型表示能力，而不增加网络深度或宽度。实验结果表明，在IN、UP和KSC数据集上，该方法优于主流高光谱分类方法。
引用
@article{arxiv.2504.04463,
title = {Spatial-Geometry Enhanced 3D Dynamic Snake Convolutional Neural Network for Hyperspectral Image Classification},
author = {Guandong Li and Mengxia Ye},
journal= {arXiv preprint arXiv:2504.04463},
year = {2025}
}