多尺度特征衔接的高光谱分类网络

作     者：魏林 冉浩翔 尹玉萍 

作者机构：辽宁工程技术大学软件学院 辽宁工程技术大学基础教学部 辽宁工程技术大学电气与控制工程学院 

出 版 物：《自然资源遥感》 (Remote Sensing for Natural Resources)

年 卷 期：2024年

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：辽宁省教育厅科学技术研究项目“高光谱图像分类的多层深度少样例学习方法研究”(编号:LJKMZ20220687) 辽宁省自然科学基金计划项目“自组织多层异构轻量化特征融合的高光谱图像高精度分类研究”(编号:1704681991881) 葫芦岛市科技计划项目“多极联注意力与拼图网络的高光谱地物高精度分类研究”(编号:2023JH(1)4/04b)共同资助 

主　　题：高光谱图像 多尺度特征 姿态信息 胶囊网络 动态路由 

摘      要：针对高光谱图像分类过程中难以有效提取多尺度特征和姿态信息容易丢失的问题,该文提出了一种多尺度特征衔接高光谱分类网络(hierarchical multi-scale concatenation net,HMC-Net)。首先,HMC-Net利用多尺度卷积核并行计算以提取多层次特征,同时引入1×1卷积核降低输入输出维度,平衡计算复杂度,从而在不显著增加总体计算负担的前提下,实现高效的特征提取;接着,采用独立的胶囊网络并行处理各尺度特征,即通过动态路由改进最大池化,增强特征的平移不变性以减少姿态信息丢失;最后,通过concatenate操作衔接整合了不同尺度的特征图,从而实现了对高光谱图像分类过程中多层次信息的精确解析。对比实验结果表明:HMC-Net在肯尼迪航天中心数据集、帕维亚大学数据集和萨利纳斯数据集上平均精度分别达到了94%、98%和99%,与最新的高光谱分类模型相比有明显性能优势,验证了该文所提模型的有效性。