高光谱分类论文解读分享之Grid Network: 基于各向异性视角下特征提取的高光谱影像分类

发布时间:2024年01月18日

IEEE GRSL 2023:Grid Network: 基于各向异性视角下特征提取的高光谱影像分类

题目

Grid Network: Feature Extraction in Anisotropic Perspective for Hyperspectral Image Classification

作者

Zhonghao Chen , Student Member, IEEE, Danfeng Hong , Senior Member, IEEE, and Hongmin Gao , Member, IEEE

关键词

Anisotropic, feature fusion, hyperspectral (HS) images, semantic gap, spectral–spatial feature.

研究动机

考虑高光谱影像内部空间和光谱特征各向异性的特性,探索一种区别于现有其他空-谱特征提取方法的新思路

模型

在这里插入图片描述

高光谱(HS)图像中嵌入了丰富的光谱特征和空间特征,能够精细地识别土地覆盖,吸引了对特征提取(FE)和特征利用的大量研究。然而,HS立方体中具有高代表性的光谱和空间特征分布不均匀,这是目前许多方法都没有考虑到的。为了克服这一缺点,我们从各向异性的角度重新考虑了HS图像的有限元问题,提出了一种新的网格网络(GNet)的HS图像分类模型(HSIC)模型。除了用三种经典范式(同时、层次和分别)表示光谱空间特征外,GNet还能够在两个新的过程中学习它们:多阶段和多路径。这样,就可以充分和平衡地探索光谱和空间特征。更重要的是,为了充分利用低、高两级特征,避免现有的语义差距,我们设计了一个光谱-空间交叉级特征融合(S2CLF2)模块来建模它们之间的关系。在三个HS数据集上进行的大量实验表明,所提出的GNet非常有效。

亮点

  1. 首次从各向异性的角度研究了HS图像特征提取,使得光谱和空间特征可以在多个过程中进行探索,从而使模型能够更自由地提取平衡表示进行分类。
  2. 在相关信息的指导下融合低级和高级特征,减轻了语义差距的影响。

论文以及代码

论文链接: link
代码链接: link

文章来源:https://blog.csdn.net/sinat_41421587/article/details/135670949
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。