45.结合倒置特征金字塔和U-Net的高光谱图像分类

地物分类是对地观测研究领域的重要任务。高光谱图像具有丰富的地物光谱信息，可用于提升遥 感图像地物分类的准确度。如何对高光谱图像进行有效的特征提取与表示是高光谱图像分类应用的关键问题。 为此，本文提出了一种结合倒置特征金字塔和 U-Net 的高光谱图像分类方法。方法 对高光谱数据进行主成分分 析( principal component analysis，PCA) 降维，获取作为网络输入的重构图像数据，然后使用 U-Net 逐层提取高光谱 重构图像的空间特征。与此同时，利用倒置的特征金字塔网络抽取相应层级的语义特征; 通过特征融合，得到既有 丰富的空间信息又有较强烈的语义响应的特征表示。提出的网络利用注意力机制在跳跃连接过程中实现对背景 区域的特征响应抑制，最终实现了较高的地物分类精度。结果 分析了 PCA 降维方法和输入数据尺寸对分类性能 的影响，并在 Indian Pines、Pavia University、Salinas 和Urban 数据集上进行了对比实验。本文方法在4 个数据集上分 别取得了98. 91%、99. 85%、99. 99%和87. 43%的总体分类精度，与支持向量机( support vector machine，SVM) 等相 关算法相比，分类精度高出1% 15%。结论 本文提出一种结合倒置特征金字塔和 U-Net 的高光谱图像分类方 法，可以应用于有限训练样本下的高光谱图像分类任务，并在多个数据集上取得了较高的分类精度。实验结果表 明倒置特征金字塔结构与 U-Net 结合的算法能够高效地实现高光谱图像的特征提取与表示，从而获得更精细的分 类结果。

结合倒置特征金字塔和U-Net的高光谱图像分类, 程嵩阳，熊玉洁*，姚瑶，李庆利, 《中国图象图形学报》，2021，26 (8): 1994-2008