多尺度注意力聚合图卷积的高光谱分类

在遥感图像分类任务中,考虑到传统卷积滤波器受限于接受域,不能有效地捕获地物丰富的细节信息的缺陷,同时,为加强邻域内像元之间的多尺度时空交互,提出一种多尺度注意力聚合图卷积的高光谱图像分类方法.首先,为了增强遥感图像中地物的时空表征能力,构建不同尺度的拓扑图,以实现时空信息的建模.其次,利用图卷积神经网络加强相邻节点之间的交互性,提高时空信息的汇聚和传递,同时,利用自注意力引导层自适应地细化多尺度信息,以捕捉时空信息在通道之间的相关性和位置信息.此外,相邻节点特征差的范数为节点之间的边权重,而层之间信息的传递采用动态聚合方式.试验结果表明:所提出的分类框架在Indian Pines基线数据集上的总体分类精度(OA)、平均分类精度(AA)和卡帕系数(Kappa)分别为(99.80±0.15)%, (98.30±1.28)%和(99.77±0.17)% .