您目前的位置: 首页» 新闻动态

实验室在高光谱图像像素级分类方面论文被IEEE TNNLS接收


近日,北京理工大学信息与电子学院刘欢博士生、李伟教授、夏香根教授、陶然教授、张蒙蒙博士后和高晨钟博士生提出中心注意力网络(Central Attention Network, CAN)用于高光谱图像像素级分类。研究结果以《Central Attention Network for Hyperspectral Imagery Classification》为题,发表在顶级期刊美国电气和电子工程师协会人工智能及机器学习领域国际顶级期刊[IEEE Transactions on Neural Networks and Learning Systems, 2022](影响因子IF:10.451)。



图1 中心注意力网络的基本流程图

高光谱图像存在同物异谱以及高度非线性分布结构,单一形态或者尺度特征只能部分反映图像信息,无法实现对地物光谱特征与空间结构特性的统一认知。充分学习空谱联合信息,获得具有表征性和判别性的特征对高光谱图像解译至关重要。传统方法利用空谱特征先验知识构造信息提取模型,用以表达图像的光谱、纹理以及几何属性,然而,面对集合几何空间异质性较大的高光谱图像,这些根据经验设定的特征提取方法很难做到判别性与鲁棒性之间的优化平衡,且很难表示高光谱数据的非线性结构及异质空间结构,尤其复杂区域地物光谱特征和邻域边界区域特征描述会带来空间邻域信息表征不可靠的难题。深度学习方法以数据为驱动,利用卷积神经网络,提取高光谱图像的深度空谱特性,然而,现有的方法未能对高光谱图像像素级分类问题进行充分分析,忽视了高光谱图像的本质特性,因而对高光谱图像像素级分类问题不具针对性。

本文重新审视了高光谱图像像素级分类问题,提出了两个空间联合特征提取的原则:1)光谱信息是高光谱图像像素级分类的基础,是最具鉴别性的信息;

2)高光谱图像像素级分类的有效空间信息是指与目标像素相似的相邻像素带来的信息。基于这两个原则,设计了中心注意力模块和密集连接方法,并提出了中心注意力网络。该网络只提取目标像素和与其相似的相邻像素的信息,实现了有效的空谱特征联合提取。在三个不同场景的高光谱图像数据集上的实验结果表明,所提出的中心注意力网络明显优于现有的高光谱空谱联合特征提取方法,证明了该方法的有效性。

论文链接:https://doi.org/10.1109/TNNLS.2022.3155114