摘要
卷积神经网络(CNN)因其优异的非线性特征提取能力被广泛应用于高光谱图像分类中。然而,它的卷积层存在局部感受野限制,无法有效处理全局信息和捕捉长距离依赖关系,且对平移不变性的依赖和固定采样位置的正则卷积核,会导致信息丢失和难以适应不同尺度和形状的地物。针对这一情况,本文提出了一种基于LKA和Sim AM的可变形卷积神经网络(LSDCN)用于高光谱图像分类。具体而言,首先对原始HSI进行主成分分析(PCA)降维。然后,使用基于注意力的卷积模块进行初始特征提取。该模块结合了LKA和Sim AM增强卷积,有效解决了可变形卷积在捕获全局信息和像素之间长距离依赖关系的限制,同时减少了关键信息的损失和网络中的特征稀释。最后,以可变形卷积解决正则卷积核带来的不足,使得卷积核采样形状更接近于真实的地物覆盖形状,提高了网络的灵活几何适应性和特征提取能力。在两个广泛使用的真实HSI数据集上的实验表明,LSDCN取得了比其他方法更好的分类性能。
出处
《电子制作》
2025年第21期36-40,共5页
Practical Electronics
基金
国家自然科学基金项目(62461027)
湖南省自然科学基金项目(2024JJ7393)
湖南省教育厅重点科研项目(22A0371)
湖南省普通高等学校教学改革研究重点项目(HNJG-2022-0185)
2024年吉首大学研究生校级科研项目(Jdy24050)。
