CN117218429B 基于雙分支網絡的光譜-空間注意力機制的高光譜圖像分類方法 （安徽大學）

基于雙分支網絡的光譜-空間注意力機制的在每個特定像素周圍創建一個相鄰區域來收集用softmax回歸層來預測每一類地物的概率分有限樣本的前提下提高高光譜圖像的有效特征2Xspa來收集空間信息，并作為空間子網絡的輸入，相鄰區域Xspa的大小為wxwxc，wxw表示2.根據權利要求1所述的基于雙分支網絡的光譜一空間注意力機制的高光譜圖像分類(3b)對特征立方體進行重新排列，作為二維卷積層的3.根據權利要求1所述的基于雙分支網絡的光譜一空間注意力機制的高光譜圖像分類3(4b)空間注意殘差模塊位于空間子網絡的首端，將調整后的Xspa輸入到空間注意殘差特征圖進行ReLU函數激活，使用3x3卷積核對特征圖進行入空間注意力機制，得到加權后的注意力特征xspa，將輸入特征圖和加權后的注意力特征歸一化層ReLU激活函數二維卷積3x3即BNReLUConv(4c)使用5x5的卷積核對特征圖進行二維卷積操作重和偏差，再經過ReLU激活函數，通過使用隨機失活Dropout層減少過擬合；對隨機失活4.根據權利要求1所述的基于雙分支網絡的光譜一空間注意力機制的高光譜圖像分類(5b)光譜子網絡中的最后一個全連接層與空間子網絡中的最后一個全連接層連接起4[0003]傳統的機器學習方法來進行高光譜圖像分類，如支持向量機(SVM)、最近鄰(K一[0005]近年來，雙分支CNN網絡被提出來處理高光譜圖像分類任務。將模型分為兩個分[0007]為解決有限樣本下高光譜圖像有效特征提取不充分、分5[0015](3a)將相鄰區域塊Xspe輸入光譜子網絡，對相鄰區域塊Xspe依次進行三維卷積操激活函數激活該全連接層的輸出，再通過一個全連接層將輸出映射回原特征通道數大小，[0021](4b)空間注意殘差模塊位于空間子網絡的首端，將調整后的Xspa輸入到空間注意6征xspa在通道維度上進行合并，得到新的特征輸入f(x)，在拼接操作前加入空間注意力機[0024](4c)使用5×5的卷積核對特征圖進行二維卷積操作，得到活Dropout層的輸出進行線性變換和ReLU激活操作，得到一個特征向量，對其進行線性變[0028](5b)光譜子網絡中的最后一個全連接層與空間子網絡中的最后一個全連接層連中將空間注意力機制與殘差網絡相結合，將加權后注意力特征圖與原始特征圖進行融合，7[0040]如圖1所示，一種基于雙分支網絡的光譜一空間注意力機制的高光譜圖像分類方[0047](3a)將相鄰區域塊Xspe輸入光譜子網絡，對相鄰區域塊Xspe依次進行三維卷積操激活函數激活該全連接層的輸出，再通過一個全連接層將輸出映射回原特征通道數大小，8[0053](4b)空間注意殘差模塊位于空間子網絡的首端，將調整后的Xspa輸入到空間注意征xspa在通道維度上進行合并，得到新的特征輸入f(x)，在拼接操作前加入空間注意力機[0056](4c)使用5×5的卷積核對特征圖進行二維卷積操作，得到活Dropout層的輸出進行線性變換和ReLU激活操作，得到一個特征向量，對其進行線性變[0060](5b)光譜子網絡中的最后一個全連接層與空間子網絡中的最后一個全連接層連模塊優于SE模塊，同時嵌入SE模塊和空間注意密集模塊的效果更優，兩者的嵌入對Pavia9