基于多注意力机制与编译图神经网络的高光谱图像分类

作     者：杨静 孙杰 丁书杰 李少波 胡建军 

作者机构：贵州大学机械工程学院 贵州大学省部共建公共大数据国家重点实验室 南卡罗莱纳州大学计算机科学与工程系(哥伦比亚) 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年

核心收录：

学科分类：0810[工学-信息与通信工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(62166005) 国家重点研发计划项目(2018AAA0101800) 贵州省科技支撑计划项目(QKH130、QKH003、 QKH335) 贵阳市科技人才培养对象及培养项目(ZKHT48-8) 

主　　题：图神经网络 高光谱图像 注意力机制 超像素分割 

摘      要：高光谱图像(Hyperspectral image，HSI)分类研究针对小样本学习时，无法达到理想分类效果的问题。本文以多注意机制融合、编译图神经网络与卷积神经网络的有机结合提出了一种新的高光谱图像分类方法。首先，设计了一种基于混合注意力机制的网络(Multiple attention convolutional neural network，MCNN)与编译图神经网络（Compiled graph neural network，CGNN），它在学习样本有限的情况下能有效保留HSI的光谱与空间信息，其次引入的图编码器与图解码器可以有效地映射不规则的HSI地物类别特征信息；最后设计的多注意力机制可以重点关注一些重要的空间像素特征。此外，还研究了不同训练样本下对不同算法学习示例分类的影响，在公共数据集Botswana (BS)的实验表明本文所提的方法比 (CNN-enhanced graph convolutional network，CEGCN)、(Weighted feature fusion of convolutional neural network，WFCG)算法的总体分类精度(Overall classification accuracy，OA)分别提高了2.72个百分点、3.86个百分点。同样在IndianPines(IP)数据集上仅用3%训练样本数据的实验结果显示本研究方法也比CEGCN与WFCG算法的OA分别提升了0.83个百分点、1.44个百分点。说明本研究提出的方法不仅对HSI具有良好的空间与光谱信息感知能力而且在微小学习数据下仍然表现出强有力的分类准确性。