- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
联合损失训练的卷积神经网络用于高光谱图像分类
摘要： 本信提出了一种基于卷积神经网络的高光谱图像分类方法，该方法通过重建损失函数和判别损失函数联合训练。网络中采用小尺寸卷积核与池化算子级联实现特征抽象，并构建了由反卷积算子和反池化算子组成的解码通道。解码通道执行的非监督重建不仅为网络训练引入先验信息，还通过控制门增强所提取特征的判别能力。实验表明，该方法性能优于当前最先进的基于神经网络的分类方法。
关键词： 控制门、无监督重建、卷积神经网络（CNN）、联合损失（JL）、高光谱图像（HSI）分类
更新于2025-09-10 09:29:36
-
含注意力机制的神经网络在高分辨率遥感图像分类中的应用
摘要： 深度神经网络适用于遥感图像像素级分类，因其能有效从原始数据中提取特征。然而，高空间分辨率的遥感图像表现出类间差异小、类内差异大的特点，使得特征提取更为困难。注意力机制作为模拟人类理解和感知图像的方式，有助于快速准确地获取关键特征。本研究提出一种新型神经网络，在其掩模分支和主干分支分别基于主要功能引入两种注意力机制——控制门（软）注意力和反馈注意力机制。由此可为甚高分辨率遥感（VHRRS）图像的像素级分类配备注意力机制的深度神经网络。掩模分支中的控制门注意力机制用于构建特征图的像素级掩模，为不同通道上不同位置的特征提取重校准分配优先级，强化有效特征并削弱其他无效特征的影响；主干分支中的反馈注意力机制则能检索高层语义特征，从而为底层提供额外辅助以重新加权关注点，并以目标导向方式重新更新高层特征提取。这两种注意力机制融合形成神经网络?？椋ü训哂胁煌叨妊谀７种У亩喔瞿？椋雇缒芾貌煌植靠占浣峁瓜碌牟钜旎⒁饬μ卣?。该方法在BJ-02、GF-02、Geoeye和Quickbird卫星的VHRRS图像上测试，并讨论了网络结构的影响及设计合理性。与其它先进方法相比，本方法取得了具有竞争力的精度，验证了其有效性。
关键词： 反馈注意力机制，极高分辨率，内部分类器，多尺度，遥感，控制门，注意力，像素级分类
更新于2025-09-10 09:29:36