DSSFN: двухпоточная сеть с самовниманием и слиянием для эффективной классификации гиперспектральных изображений

Гиперспектральные изображения обладают непрерывной и аналоговой спектральной природой, что позволяет классифицировать различимую информацию путем анализа тонких вариаций между соседними спектрами. В то же время гиперспектральные наборы данных содержат избыточную и зашумленную информацию наряду с высокой размерностью, что является основным препятствием для их использования при категоризации типов земного покрова. Несмотря на отличную способность сверточных нейронных сетей к извлечению признаков, их эффективность ограничена узким полем восприятия и неспособностью захватывать дальние зависимости из-за ограниченного размера сверточных ядер. Мы строим двухпоточную сеть с самовниманием и слиянием (DSSFN), которая объединяет спектральную и пространственную информацию для глубокого извлечения глобальной информации с помощью механизма самовнимания. Кроме того, требуется уменьшение размерности для сокращения избыточных данных и устранения зашумленных спектральных каналов, что повышает качество классификации гиперспектральных данных. В этой работе предлагается новый алгоритм отбора полос. Этот алгоритм, основанный на скользящем окне с группированным нормализованным фильтром совпадения для соседних полос (SWGMF), позволяет минимизировать размерность данных при сохранении соответствующей спектральной информации. Проведены всесторонние эксперименты на четырех известных гиперспектральных наборах данных, где предложенная DSSFN демонстрирует более высокие результаты классификации по общей точности (OA), средней точности (AA) и коэффициенту каппа по сравнению с предыдущими подходами. Ряд испытаний подтверждает превосходство и большой потенциал DSSFN.