张永鹏，张春梅，白 静

基于DenseNet-Attention模型的高光谱图像分类

张永鹏，张春梅，白 静

(北方民族大学计算机科学与工程学院，宁夏 银川 750021)

针对高光谱图像标记样本量少，提取特征不充分以及提取到的特征不区分贡献度的问题，提出一个新型的DenseNet-Attention网络模型(DANet)。首先，该模型利用三维卷积核同步提取联合光谱空间特征，同时密集连接网络(DenseNet)的稠密连接块除了能够充分提取更加鲁棒的特征外，还减少了大量参数；其次，自注意力(self-attention)机制作为一个模块加入到稠密连接块中，可以使上层提取到的特征在进入下一层网络之前，经过该模块对其进行权重分配，使具有丰富的物类别信息的特征得到加强，进而区分特征的贡献度。网络模型以原始高光谱图像邻域块作为输入，无需任何预处理，是一个端对端学习的深度神经网络。在印第安松树林和帕维亚大学数据集上进行对比试验，网络模型的分类精度分别能够达到99.43%和99.99%，有效提高了高光谱图像分类精度。

三维卷积；高光谱图像分类；稠密网络；自注意力机制；残差连接

高光谱图像利用成像光谱仪以数十个、至数百个连续细分的波段对目标区域进行成像，形成以像素为单位的高维图像，凭借其丰富的空间和光谱信息，极大地提高了地物的区分能力，因此在农业、环境监测、城市规划等领域有着广泛的应用。由于高光谱数据的高维特性，训练模型需要大量的样本，才能保证良好的精度。但是高光谱数据样本量较少，训练得到的模型很容易产生休斯(Hughes)现象，即在高光谱分析的过程中，随着参与运算的波段数目的增加，分类精度先增后降的现象[1]。……