周 子 涵，倪 欢，马 林 飞

(南京信息工程大学遥感与测绘工程学院，江苏 南京 210044)

0 引言

高光谱遥感图像分类旨在利用其丰富的空—谱信息为每个像元分配一个地表覆被类型[1]，可为自然资源调查提供支撑[2]。但由于高维度特征和训练样本匮乏问题，使高光谱图像分类仍存在局限[3,4]。传统高光谱图像分类研究引入经典机器学习方法[5](如支持向量机[6]和随机森林[7]等)，但这种依赖于人工设计特征的分类方法很难取得较高的分类精度[8,9]，且难以应对少量样本支持下的高维度特征[10,11]。卷积神经网络(Convolutional Neural Network,CNN)[12]可实现特征维度的快速变换，并有效改善高层次语义的表达能力[13]，已应用于高光谱遥感图像分类研究[14]中。其中，DFFN(Deep Feature Fusion Network)[15]和MSKNet(Multibranch Selective Kernel Networks)[16]等二维CNN框架仅挖掘了高光谱图像的光谱特征，未能充分利用其中蕴含的空—谱信息。近年提出了各具特色的三维CNN网络结构[17]以解决上述问题，如SSRN(Supervised Spectral-spatial Residual Network)[18]、FDSSC(Fast Dense Spectral-Spatial Convolution)[19]、DPyResNet(Deep Pyramidal Residual Network)[20]和A2S2K-ResNet(Attention-Based Adaptive Spectral-Spatial Kernel ResNet)[21]。其中，具有代表性的A2S2K-ResNet采用卷积核选择思想[22]，详细探讨卷积核尺寸对特征表达的重要性,通过设计一种为波段间关系建模的模块EFR(Efficient Feature Recalibration)，充分发挥高光谱图像的高维度优势，对基于三维CNN的残差网络(ResNet)[23]进行改进，以增强空—谱联合特征的提取能力。A2S2K-ResNet的精度虽然较高，但其引入的卷积核选择思想类似于不同预设卷积核特征的加权求和，在训练过程中不能完全自适应选择卷积核，且该过程预先定义的两个卷积核尺寸(3×3×7和1×1×7)，并未充分增大或细化CNN的感受野；其次，虽然该过程引入注意力机制辅助概括语义，但其采用均值池化方式提取一维注意力向量，再经过卷积变换形成权值以增强卷积特征，不足以充分表达图像空间依赖关系，导致分类结果存在噪声。……