基于深度注意力网络的高光谱图像分类研究

作     者：魏康辉 

作者单位：武汉纺织大学 

学位级别：硕士

导师姓名：张本龚;李会珍

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：高光谱图像分类 深度学习 注意力机制 

摘      要：高光谱图像分类作为遥感领域中的一个热点问题,被广泛应用于地质勘探、环境监测、现代化军事等领域。深度学习作为机器学习代表性的算法之一,在许多研究领域取得了突破性的进展。其中,卷积神经网络(Convolutional Neural Network,CNN)因其强大的性能在高光谱图像分类中得到广泛应用。然而,大部分网络结构未能很好地区分重要特征和冗余信息,并且图像噪声、光谱特征空间变异性等因素会严重退化算法的分类性能。针对上述问题,本论文在综合分析高光谱图像特性的基础上,基于残差结构和注意力机制对网络架构展开研究。主要研究内容如下:(1)对深度学习理论进行深入的研究,并基于高光谱图像的数据结构构建了一个3D卷积网络框架。该网络可以直接处理3D的高光谱图像数据,这有效保护了图像数据的空间结构,并且可以同时学习像元的光谱特征和空间特征。(2)为了区分重要特征和冗余信息,在网络中嵌入残差注意力模块。首先,构造的残差注意力模块通过残差连接缓解了网络随着层数加深造成的信息损失。其次,注意力模块对光谱特征和空间特征进行强化,同时对不重要的信息进行抑制,这有效减少了噪声和异类像元的干扰,增强了所提取特征的有效性。(3)为了更好地刻画高光谱图像的空间信息,本论文进一步对注意力机制进行改进,引入了坐标注意力模块。坐标注意力模块可以通过一维特征编码将光谱信息和空间信息整合到注意图中,进一步捕获像元间的长距离依赖关系,保留更精确的空间位置信息,从而实现了算法性能的改善。(4)为了验证算法的有效性,将所提算法在三个常用的数据集上进行实验。实验结果表明:所提算法不仅性能稳定,收敛速度快,而且显著改善了分类性能。