农业机械学报

作者：孙杰，杨静，丁书杰，李少波，胡建军

单位：贵州大学,贵州大学,贵州大学,贵州大学,南卡罗莱纳州大学,

关键词：柑橘;种植区识别;PIE-Engine;时序SAR;Sentinel卫星

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(QKH[2022]130、QKH[2022]003、 QKH[2021]335)和贵阳市科技人才培养对象及培养项目（ZKHT[2023]48-8）

针对高光谱图像(Hyperspectral image，HSI)分类研究中小样本学习时，无法达到理想分类效果的问题，以多注意力机制融合、编译图神经网络与卷积神经网络有机结合提出了一种新的高光谱图像分类方法。设计了一种基于混合注意力机制的网络(Multiple mixed attention convolutional neural network,MCNN)与编译图神经网络（Compiled graph neural network,CGNN）,在学习样本有限的情况下，其能有效保留HSI的光谱与空间信息。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。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。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，本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法总体分类精度(Overall classification accuracy,OA)分别高2.72、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，本研究方法比CEGCN与WFCG算法的OA分别高0.44、1.42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。

来源：2024年第3期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第3期