图像处理

针对高光谱图像维度高、训练样本少以及模型训练所带来的过拟合、参数过多的问题，提出一种改进的DenseNet联合空谱注意力机制（M3DDSSNet）的方法。首先对高光谱图像进行主成分分析，然后将中心像素的空间邻域输入改进的网络模型中。该模型对三维密集连接网络（3D_DenseNet）进行改进，将模型中的三维卷积块分解成空间维和光谱维的采样卷积，并在空间维度上引入空间注意力机制，在光谱维度上引入通道注意力机制，以减少模型训练参数，提取更加具有判别力的空谱联合特征。M3DDSSNet网络模型在Indian Pines、Pavia University和KSC两个数据集上分别取得了99.43%，99.74%，98.98%的总体分类精度。结果表明，该模型与2D_CNN、3D_CNN、M3RCNN、3D_DenseNet模型相比，收敛速度较快，可以提取更加深层的、判别性的特征，具有较高的分类性能。

王欣, 樊彦国. 基于改进DenseNet联合空谱注意力机制的高光谱图像分类[J]. 激光与光电子学进展, 2022, 59(02): 14.  复制并引用该论文