歐陽(yáng)寧，李祖鋒，林樂(lè)平+

(1.桂林電子科技大學(xué) 信息與通信學(xué)院 認(rèn)知無(wú)線電與信息處理省部共建教育部重點(diǎn)實(shí)驗(yàn)室， 廣西 桂林 541004；2.桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林 541004)

0 引 言

高光譜圖像是一種三維立方體數(shù)據(jù)，具有信息冗余、圖譜合一、高維連續(xù)性波段以及光譜波段高相關(guān)性等特點(diǎn)，高光譜圖像為地物的分類與識(shí)別提供了豐富的空-譜信息數(shù)據(jù)基礎(chǔ)的同時(shí)，也對(duì)其像素的分類提出了挑戰(zhàn)[1,2]。此外，深度網(wǎng)絡(luò)以其自動(dòng)提取數(shù)據(jù)由淺至深的特征能力以及端到端的訓(xùn)練方式，在高光譜圖像分類任務(wù)中有著良好的表現(xiàn)。然而，深度網(wǎng)絡(luò)中的淺層次的特征與深層次的特征存在著差異，即淺層特征包含有圖像的高分辨率特征信息，深層特征有更為豐富的語(yǔ)義特征。隨著網(wǎng)絡(luò)的加深，進(jìn)行特征提取時(shí)，往往容易丟失淺層的高分辨率特征信息，使得網(wǎng)絡(luò)的分類性能下降。其次，高光譜數(shù)據(jù)內(nèi)在的信息冗余，也使得訓(xùn)練獲得的模型容易出現(xiàn)休斯(Hughes)現(xiàn)象。

針對(duì)上述問(wèn)題所導(dǎo)致的網(wǎng)絡(luò)模型分類性能下降，本文在密集網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，提出一種基于空-譜分組卷積密集網(wǎng)絡(luò)的高光譜圖像分類方法(hyperspectral image classification based on spatial-spectral group convolution dense network，GCDN)。該方法根據(jù)高光譜圖像數(shù)據(jù)特點(diǎn)，構(gòu)建了單通道的空-譜聯(lián)合特征提網(wǎng)絡(luò)，設(shè)計(jì)了光譜-空間三維分組卷積密集模塊(spatial-spectral 3D group convolution densenet module，GCDM)，通過(guò)對(duì)GCDM模塊進(jìn)行不同的參數(shù)配置構(gòu)造了光譜三維分組卷積密集模塊GCDM_spe與空間三維分組卷積密集模塊GCDM_spa，用以分步進(jìn)行對(duì)光譜與空間特征的提取。其中，分組卷積起到減少信息數(shù)據(jù)冗余的作用。同時(shí)，為了進(jìn)一步減少光譜特征內(nèi)固有的信息冗余，構(gòu)建了光譜殘差注意力模塊(spectral residual attention module，SRAM)嵌入GCDM_spe與GCDM_spa之間。SRAM通過(guò)結(jié)合空間與光譜信息計(jì)算空-譜注意力權(quán)重，通過(guò)注意力權(quán)重對(duì)空譜信息豐富的區(qū)域重新賦予更多的關(guān)注，增強(qiáng)光譜特征的可判別性。實(shí)驗(yàn)結(jié)果表明，與若干最新的深度網(wǎng)絡(luò)方法相比，本文提出的算法可以有效提升高光譜分類網(wǎng)絡(luò)模型的性能，得到較高的分類精度。

1 相關(guān)研究

目前，基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架的高光譜圖像分類器的設(shè)計(jì)已成為高光譜圖像分類領(lǐng)域的熱門(mén)研究方向之一[3-12]。其中，基于聯(lián)合損失訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法[6]，該方法采用編解碼結(jié)構(gòu)并由重構(gòu)損失函數(shù)和判別損失函數(shù)對(duì)網(wǎng)絡(luò)聯(lián)合訓(xùn)練，獲取到了判別性較好的空譜特征；Zhong等[7]提出了一種三維卷積空-譜殘差網(wǎng)絡(luò)，以一體化結(jié)構(gòu)分步提取空間與光譜特征，該方法結(jié)合殘差網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)點(diǎn)有效提高了模型的分類性能；Roy等[8]結(jié)合了二維卷積與三維卷積提出了一種HybridSN混合網(wǎng)絡(luò)，進(jìn)一步改進(jìn)了3D-CNN網(wǎng)絡(luò)結(jié)構(gòu)，有效提高模型的高光譜分類性能；在單通道三維卷積密集網(wǎng)絡(luò)[10](3D-Densenet)中，以常規(guī)的三維卷積構(gòu)建密集網(wǎng)絡(luò)。該方法以原始數(shù)據(jù)直接提取的領(lǐng)域塊作為3D-Densenet的輸入直接進(jìn)行空-譜聯(lián)合特征的提取，該方法能在鄰域塊尺寸較大的情形下有著較快的訓(xùn)練速度以及較好的分類精度。

盡管當(dāng)前一些基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法已經(jīng)獲得了一定的效果，但在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)未考慮到對(duì)高光譜圖像數(shù)據(jù)的高分辨率特征的充分利用，以及在特征提取過(guò)程中，由于使用下采樣或是池化操作致使高分辨的特征信息受到損失。并且由于高光譜圖像數(shù)據(jù)存在著信息冗余，訓(xùn)練過(guò)程容易出現(xiàn)過(guò)擬合現(xiàn)象，無(wú)法有效獲得準(zhǔn)確的分類精度。

為解決上述問(wèn)題，本文提出的GCDM模塊，以三維分組卷積構(gòu)建密集網(wǎng)絡(luò)模塊，該模塊使具有高分辨信息的特征進(jìn)行重用的同時(shí)，通過(guò)三維分組卷積進(jìn)一步的使網(wǎng)絡(luò)中的訓(xùn)練參數(shù)減少。GCDM可以針對(duì)高光譜圖像的特點(diǎn)分別進(jìn)行不同的參數(shù)配置，對(duì)光譜與空間特征進(jìn)行分步提取，使其更有效地提取光譜與空間特征。因此，所提出的GCDM模塊提取的光譜與空間特征包含有更具判別性的光譜和空間信息。

除此之外，為了對(duì)GCDM_spe模塊提取的光譜特征中重要信息進(jìn)行重點(diǎn)關(guān)注并充分學(xué)習(xí)，使其光譜特征更具可判別性，本文設(shè)計(jì)了光譜殘差注意力模塊SRAM。SRAM的提出受到殘差注意力機(jī)制[13]的啟發(fā)。該機(jī)制首次在圖像分類[18]應(yīng)用中提出，其目的在于通過(guò)堆疊殘差注意力模塊構(gòu)建注意力網(wǎng)絡(luò)，使注意力模塊能捕獲不同類型的注意力，可為分類網(wǎng)絡(luò)帶來(lái)持續(xù)的性能改善，現(xiàn)已經(jīng)成功推廣至超寬帶雷達(dá)識(shí)別[14]與人群流量預(yù)測(cè)[15]。SRAM與殘差注意力機(jī)制[13]不同的是，SRAM同時(shí)利用了空間與光譜信息獲取注意力權(quán)重，利用該模塊對(duì)從GCDM_spe提取的光譜特征進(jìn)行光譜權(quán)重重分配，使其能夠更有效地減少光譜固有信息的冗余，并且SRAM所獲取的權(quán)重內(nèi)含空-譜聯(lián)合信息，使得空-譜信息能夠?qū)庾V特征進(jìn)行補(bǔ)充，獲得可判別能力更強(qiáng)的光譜特征，并為之后空間特征的提取豐富了數(shù)據(jù)信息。

通過(guò)結(jié)合GCDM模塊與光譜殘差注意力模塊SRAM，本文所提出的空-譜分組卷積密集網(wǎng)絡(luò)GCDN框架如圖1所示。

圖1 空-譜分組卷積密集網(wǎng)絡(luò)框架

2 基于空-譜分組卷積密集網(wǎng)絡(luò)的高光譜圖像分類

本文所提出的空-譜分組卷積密集網(wǎng)絡(luò)GCDN框架如圖1所示。以原始高光譜圖像數(shù)據(jù)三維鄰域塊Fn∈ω1×ω1×B作為該網(wǎng)絡(luò)輸入，首先對(duì)Fn在光譜上使用三維卷積，對(duì)Fn進(jìn)行降維以及提取光譜特征ω1×ω1×p×C1， 其后，并將作為GCDM_spe模塊的輸入，并提取光譜特征ω1×ω1×p′×C2； 其次利用SRAM模塊對(duì)進(jìn)行光譜維信息的增強(qiáng)，獲得增強(qiáng)后的特征ω1×ω1×p′×C2， 并將其輸入轉(zhuǎn)換層轉(zhuǎn)換為ω2×ω2×1×C3； 將作為GCDM_spe模塊的輸入進(jìn)行空間特征提取，并獲取空間特征。最后對(duì)進(jìn)行全局平均池化操作，并用線性softmax分類器進(jìn)行分類，同時(shí)本文以交叉熵構(gòu)建損失函數(shù)，來(lái)測(cè)量預(yù)測(cè)標(biāo)簽與真值標(biāo)簽之間的差異。

2.1 光譜-空間三維分組卷積密集模塊

密集網(wǎng)絡(luò)(dense-net)提出的初衷是為了在網(wǎng)絡(luò)參數(shù)和計(jì)算資源消耗更少的情形下能夠獲得比ResNet更優(yōu)的網(wǎng)絡(luò)性能，該網(wǎng)絡(luò)結(jié)構(gòu)有著更緊湊的密集連接結(jié)構(gòu)，并以其能使更多的特征重復(fù)利用的能力[16]在諸多領(lǐng)域中有著廣泛的應(yīng)用[17-20]。DenseNet相當(dāng)于ResNet的一種變形，該網(wǎng)絡(luò)的連接機(jī)制是使所有的層都相互連接，每個(gè)層都會(huì)接受前面所有的層作為輸入，并將每層特征圖都在通道維度上進(jìn)行連接，即

xl=Hl([x0,x1,…,xl-1])，l=0,1,2,…,n

(1)

其中，xl為第l層輸出特征，表示為 [x0,x1,…,xl-1] 從輸入層的特征x0到l-1層的輸出特征xl-1進(jìn)行級(jí)聯(lián)拼接；Hl(·) 為非線性轉(zhuǎn)化函數(shù)，該函數(shù)是一個(gè)包含BN層、ReLU層以及卷積層的組合操作。而在模型網(wǎng)絡(luò)構(gòu)建中，本文使用PReLU層替換ReLU層，其目的在于加速模型訓(xùn)練的收斂。本文在密集網(wǎng)絡(luò)的基礎(chǔ)上利用三維分組卷積構(gòu)建GCDM模塊。

本文設(shè)計(jì)的GCDM模塊的結(jié)構(gòu)如圖2所示。該模塊結(jié)構(gòu)在水平維度上由三維分組卷積層進(jìn)行密集連接構(gòu)成密集結(jié)構(gòu)，分組卷積示意結(jié)構(gòu)如圖3所示。在GCDN網(wǎng)絡(luò)中，針對(duì)空間與光譜特征分別對(duì)GCDM模塊進(jìn)行參數(shù)配置，得到光譜分組卷積密集連接模塊GCDM_spe和空間分組卷積密集連接模塊GCDM_spa，參數(shù)配置見(jiàn)表1。表中的GCONV_spe與GCONV_spa表示GCDM_spe與GCDM_spa模塊中的分組卷積中每組的卷積操作的參數(shù)設(shè)置，g表示分組數(shù)，在實(shí)驗(yàn)中g(shù)取3。

圖2 光譜-空間三維分組卷積密集模塊結(jié)構(gòu)

圖3 分組卷積結(jié)構(gòu)

表1 空-譜分組卷積密集網(wǎng)絡(luò)參數(shù)設(shè)置

本文采用了三維卷積(3D-CNN)構(gòu)造的分組卷積在未降維的高光譜圖像數(shù)據(jù)上，以待分類像素為中心，提取一定鄰域內(nèi)的所有像素的光譜信息，組成三維數(shù)據(jù)領(lǐng)域塊，利用三維分組卷積對(duì)三維數(shù)據(jù)領(lǐng)域塊進(jìn)行特征提取。相較于二維卷積，三維卷積的卷積核是三維的，而且卷積的方向從空間上的二維擴(kuò)展到了空間加光譜的三維。三維卷積操作中卷積層的第l層，第j個(gè)卷積核 (o,y,z) 處的具體值可以通過(guò)如下公式計(jì)算

(2)

在常規(guī)三維卷積中，假設(shè)特征尺寸為Hin×Win×Min×Cin， 則卷積核尺寸為Hk×Wk×Mk×Cin， 則常規(guī)三維卷積的參數(shù)量表示為

P=Hk×Wk×Mk×Cin×Cout

(3)

其中，Cout表示輸出特征的通道大小。分組卷積將輸入的特征按著通道數(shù)均分成g組，并對(duì)每組特征單獨(dú)進(jìn)行卷積，則每組輸入特征尺寸為Hin×Win×Min×Cin/g， 對(duì)應(yīng)的卷積核尺寸為Hk×Wk×Mk×Cin/g， 各組卷積操作完成后，將g組結(jié)果進(jìn)行拼接，得到最終的輸出特征，總輸出特征通道數(shù)為Cout， 則每組卷積獲得的特征通道數(shù)為Cout/g， 分組卷積的參數(shù)量則表示為

(4)

本文使用分組卷積進(jìn)行密集連接從而構(gòu)造GCDM模塊，通過(guò)對(duì)GCDM進(jìn)行不同的參數(shù)配置，可以有效獲取高光譜圖像的空間與光譜信息。

2.2 光譜殘差注意力模塊與轉(zhuǎn)化層

為了對(duì)GCDM_spe模塊提取的光譜特征中豐富信息的重要區(qū)域進(jìn)行重點(diǎn)關(guān)注并進(jìn)行空-譜信息的補(bǔ)充，本文借鑒了殘差注意力模塊的設(shè)計(jì)思想，提出了一種光譜殘差注意力模塊，用于結(jié)合空間與光譜信息計(jì)算注意力權(quán)重，從而對(duì)光譜特征進(jìn)行權(quán)重的重新分配，增強(qiáng)含有豐富信息區(qū)域的權(quán)重，進(jìn)一步減少光譜特征中存在的信息冗余，獲取更具判別性的光譜特征，為之后空間特征的學(xué)習(xí)提供豐富數(shù)據(jù)信息。SRAM結(jié)構(gòu)如圖4所示，參數(shù)配置見(jiàn)表1。

圖4 光譜殘差注意力模塊結(jié)構(gòu)

(5)

其中，σ為sigmoid激活函數(shù)，e為指數(shù)。最后將注意力系數(shù)α進(jìn)行Reshape操作，獲得Fα∈R1×1×d×1。

(6)

在SRAM中為了減少該模塊中所需要訓(xùn)練的參數(shù)量，采用全局平均池化層GAP替換全連接層。

圖5 轉(zhuǎn)化層結(jié)構(gòu)

2.3 網(wǎng)絡(luò)訓(xùn)練

(7)

其中，u表示樣本，n表示樣本的總數(shù)。

網(wǎng)絡(luò)優(yōu)化過(guò)程中，網(wǎng)絡(luò)的訓(xùn)練與驗(yàn)證同時(shí)進(jìn)行。在每次迭代訓(xùn)練過(guò)程中，訓(xùn)練集所對(duì)應(yīng)的網(wǎng)絡(luò)損失通過(guò)反向傳播更新網(wǎng)絡(luò)模型參數(shù)，同時(shí)利用驗(yàn)證集記錄使得驗(yàn)證損失最小的網(wǎng)絡(luò)模型，并選取最優(yōu)網(wǎng)絡(luò)模型。訓(xùn)練過(guò)程中，采用RMSprop優(yōu)化器進(jìn)行隨機(jī)梯度優(yōu)化，以高斯隨機(jī)分布初始化[21]作為GCDN中所有卷積層的初始化方法，學(xué)習(xí)速率設(shè)置為0.0003，一共運(yùn)行120個(gè)epochs。

3 實(shí)驗(yàn)結(jié)果與分析

本文的實(shí)驗(yàn)測(cè)試結(jié)果分兩個(gè)部分：①分組數(shù)的確定，在Indian Pines數(shù)據(jù)上進(jìn)行對(duì)分組數(shù)對(duì)模型的性能影響的實(shí)驗(yàn)；②與最新的基于深度網(wǎng)絡(luò)分類方法進(jìn)行分類性能與模型訓(xùn)練測(cè)試時(shí)間的實(shí)驗(yàn)對(duì)比。

3.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)使用IP(Indian Pines)和KSC(Kennedy Space Center)兩個(gè)高光譜數(shù)據(jù)集[22]來(lái)驗(yàn)證本文所提出的算法的有效性。Indian Pines數(shù)據(jù)集，其包含220個(gè)波段(波長(zhǎng)范圍為0.4 μm～2.5 μm)，有16種主要地物，圖像大小為145×145像素，空間分辨率為20 m，去除其中20個(gè)噪聲嚴(yán)重的波段，得到包含200個(gè)光譜波段的數(shù)據(jù)用于分析。Kennedy Space Center數(shù)據(jù)集,其包含224個(gè)10 nm帶寬，含13種主要地物，圖像大小為512×614像素，空間分辨率為18 m，去除吸水率和低SNR光譜波段后，得到包含176個(gè)光譜波段的數(shù)據(jù)用于研究分析。

實(shí)驗(yàn)中，從Indian Pines和Kennedy Space Center數(shù)據(jù)集中隨機(jī)挑選訓(xùn)練集、驗(yàn)證集和測(cè)試集分別劃分為20%為訓(xùn)練集，10%驗(yàn)證集及70%測(cè)試集。使用隨機(jī)選擇的訓(xùn)練數(shù)據(jù)進(jìn)行10次實(shí)驗(yàn)。采用單類分類精度、總體分類精度(overall accuracy，OA)、平均分類精度(average accuracy，AA)以及Kappa系數(shù)等作為模型性能評(píng)估指標(biāo)，并報(bào)告了它們的均值和標(biāo)準(zhǔn)差。實(shí)驗(yàn)平臺(tái)的配置為GTX1080Ti顯卡以及Windows操作系統(tǒng)，并使用Tensorflow和Keras深度學(xué)習(xí)框架實(shí)現(xiàn)。

3.2 分組數(shù)目對(duì)網(wǎng)絡(luò)的影響

相對(duì)于常規(guī)的三維卷積，三維分組卷積可以減少網(wǎng)絡(luò)中的訓(xùn)練參數(shù)，降低訓(xùn)練出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)，因此，三維分組卷積的分組數(shù)目會(huì)影響GCDN的網(wǎng)絡(luò)分類性能。由于分組卷積將特征圖按照通道進(jìn)行分組，會(huì)使每組特征圖經(jīng)過(guò)不同的卷積路徑，而所得到的各組特征圖之間的相關(guān)性會(huì)降低，從而達(dá)到減少特征信息冗余的目的。所以，在實(shí)驗(yàn)中，三維分組卷積的分組的數(shù)目需要選擇一個(gè)合適的數(shù)目，因?yàn)榉纸M數(shù)目過(guò)大，分組卷積每個(gè)通道完全獨(dú)立，這樣會(huì)過(guò)度減弱每組特征圖之間的相關(guān)性；若分組數(shù)目太小，就達(dá)不到減少參數(shù)的目的，無(wú)法減少信息冗余。

本文使用Indian Pines數(shù)據(jù)集進(jìn)行分組數(shù)目對(duì)GCDN性能影響的實(shí)驗(yàn)。在表2中，給出了不同的分組數(shù)目g=[2,3,4,6] 對(duì)模型性能的影響。由于在網(wǎng)絡(luò)參數(shù)的設(shè)置中，三維分組卷積中的通道數(shù)必須與分組數(shù)目整除，所以實(shí)驗(yàn)中每個(gè)分組卷積層通道數(shù)的設(shè)置均為2，3，4，6的倍數(shù)。從表2可以看出，在g=3時(shí)，所提出的GCDM網(wǎng)絡(luò)性能的綜合表現(xiàn)最好，OA、AA以及Kappa的精度達(dá)到最高。所以，在之后的Indian Pines與Kennedy Space Center數(shù)據(jù)分類實(shí)驗(yàn)中，網(wǎng)絡(luò)中分組卷積層的分組數(shù)均取3。

表2 分組數(shù)目對(duì)GCDN性能的影響

3.3 對(duì)比實(shí)驗(yàn)分析

為了評(píng)價(jià)本文所提出方法的分類性能，將所提出的GCDN方法與最新的基于深度網(wǎng)絡(luò)的高光譜圖像分類方法進(jìn)行比較，其中對(duì)比算法包括3D-CNN[23]、3D-DenseNet[10]、HybridSN[8]與SRNN[7]。由于基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法分類精度的提升在很大程度上依賴于訓(xùn)練的數(shù)據(jù)量。因此，對(duì)于所有的對(duì)比算法均使用相同規(guī)模的訓(xùn)練數(shù)據(jù)，并從原始高光譜圖像數(shù)據(jù)中選取大小為9×9×B的三維領(lǐng)域塊作為輸入，其中B為原高光譜圖像數(shù)據(jù)光譜維數(shù)。

GCDN與對(duì)比方法的分類結(jié)果見(jiàn)表3、表4。從表中可以看出，GCDN的分類精度對(duì)于3D-CNN和3D-DenseNet方法有著明顯的提升，OA、AA以及Kappa分類精度提高了2.88%～5.2%，并且GCDN有著更小的標(biāo)準(zhǔn)差。表明了分步提取光譜與空間特征的結(jié)構(gòu)，比直接從原始高光譜圖像數(shù)據(jù)鄰域塊中同時(shí)提取空-譜聯(lián)合特征的網(wǎng)絡(luò)結(jié)構(gòu)，能夠更有效地獲取高光譜圖像數(shù)據(jù)的空間與光譜信息，并且所提取到的特征中的光譜與空間信息更為明確；相較于HybridSN和SSRN方法，GCDN的OA、AA以及Kappa分類精度也均有所提升(提高了0.08%～0.59%)，GCDN有著更小的標(biāo)準(zhǔn)差。表明本文GCDN能更好地捕獲光譜與空間特征信息，通過(guò)密集連接結(jié)構(gòu)使得高分辨率的特征能夠進(jìn)行重用，有效避免了在特征提取過(guò)程中高分辨率空譜信息丟失，并能夠更充分利用高分辨率的細(xì)節(jié)特征信息，進(jìn)而提高網(wǎng)絡(luò)的分類性能，獲得更準(zhǔn)確的分類精度。

表5給出GCDN以及對(duì)比方法10次實(shí)驗(yàn)的平均訓(xùn)練和測(cè)試時(shí)間?？梢钥闯?，GCDN的訓(xùn)練測(cè)試速度不及3D-CNN與HybridSN，這是因?yàn)?D-CNN與HybridSN的網(wǎng)絡(luò)規(guī)模較小。并且相較于SSRN和3D-DenseNet，GCDN的訓(xùn)練測(cè)試速度較快。結(jié)合表3與表4的分類精度結(jié)果可知，本文所提出的GCDN在分類性能以及時(shí)效性兩方面都有著良好的表現(xiàn)。

表3 使用不同方法在Indian Pines數(shù)據(jù)上的分類結(jié)果

表4 使用不同方法在Kennedy Space Center數(shù)據(jù)上的分類結(jié)果

表5 兩種數(shù)據(jù)下不同方法的訓(xùn)練和測(cè)試時(shí)間

圖6、圖7給出了GCDN與對(duì)比方法在Indian Pines和Kennedy Space Center數(shù)據(jù)集上的高光譜圖像分類效果圖。從中可以看出，GCDN所產(chǎn)生的分類效果圖中噪聲點(diǎn)更少，即是代表著GCDN方法所獲得的分類效果圖中錯(cuò)分類樣本點(diǎn)更少。如圖6(g)相比圖6(f)，把Oats錯(cuò)分為Grass-Trees的像素點(diǎn)更少；圖6(g)相比圖6(e)，把Soybean-mintill錯(cuò)分為Grass-Trees的像素點(diǎn)更少。從結(jié)果能夠看出，GCDN能更有效地捕捉光譜與空間特征信息，減少了特征提取過(guò)程中數(shù)據(jù)細(xì)節(jié)信息的損失，有效改善了網(wǎng)絡(luò)模型的分類性能。

圖7 Kennedy Space Center數(shù)據(jù)集分類效果

4 結(jié)束語(yǔ)

本文提出了一種基于空譜分組卷積密集網(wǎng)絡(luò)的高光譜圖像分類方法。該方法以空間-光譜信息為基礎(chǔ)，探究空間與光譜特征提取方法。首先，該方法所提出的光譜-空間三維分組卷積密集模塊從數(shù)據(jù)鄰域塊中分步提取光譜與空間特征，通過(guò)對(duì)高分辨率的特征進(jìn)行特征重用，有效地避免了高分辨率特征信息的丟失，同時(shí)通過(guò)分組卷積有效地減少了高光譜圖像數(shù)據(jù)固有的信息冗余。并且，為了對(duì)所獲得的光譜特征進(jìn)行增強(qiáng)，設(shè)計(jì)了光譜殘差注意力模塊，該模塊通過(guò)結(jié)合空間與光譜信息計(jì)算注意力權(quán)重，有效地對(duì)光譜特征進(jìn)行增強(qiáng)并豐富了光譜特征的數(shù)據(jù)信息。實(shí)驗(yàn)結(jié)果表明，所提出的高光譜圖像分類方法可以有效提高網(wǎng)絡(luò)模型分類性能，獲得更為準(zhǔn)確的分類精度。但GCDN是基于三維卷積所構(gòu)造的網(wǎng)絡(luò)模型，由獲得的分類效果圖可以看出，不同類別之間的分界線表現(xiàn)較為平滑，未能更好地捕捉高光譜圖像的空間邊緣信息。并且網(wǎng)絡(luò)計(jì)算參數(shù)較大。未來(lái)將在高光譜空間圖像的邊緣特征信息提取進(jìn)行探索，并在保持分類精度的前提下，進(jìn)一步改善網(wǎng)絡(luò)模型結(jié)構(gòu)，提高計(jì)算效率。