IEEE GRSL 2023：Grid Network: 基于各向异性视角下特征提取的高光谱影像分类
题目
Grid Network: Feature Extraction in Anisotropic Perspective for Hyperspectral Image Classification
作者
Zhonghao Chen , Student Member, IEEE, Danfeng Hong , Senior Member, IEEE, and Hongmin Gao , Member, IEEE
关键词
Anisotropic, feature fusion, hyperspectral (HS) images, semantic gap, spectral–spatial feature.
研究动机
考虑高光谱影像内部空间和光谱特征各向异性的特性，探索一种区别于现有其他空-谱特征提取方法的新思路
模型
高光谱（HS）图像中嵌入了丰富的光谱特征和空间特征，能够精细地识别土地覆盖，吸引了对特征提取（FE）和特征利用的大量研究。然而，HS立方体中具有高代表性的光谱和空间特征分布不均匀，这是目前许多方法都没有考虑到的。为了克服这一缺点，我们从各向异性的角度重新考虑了HS图像的有限元问题，提出了一种新的网格网络（GNet）的HS图像分类模型（HSIC）模型。除了用三种经典范式（同时、层次和分别）表示光谱空间特征外，GNet还能够在两个新的过程中学习它们：多阶段和多路径。这样，就可以充分和平衡地探索光谱和空间特征。更重要的是，为了充分利用低、高两级特征，避免现有的语义差距，我们设计了一个光谱-空间交叉级特征融合（S2CLF2）模块来建模它们之间的关系。在三个HS数据集上进行的大量实验表明，所提出的GNet非常有效。
亮点
- 首次从各向异性的角度研究了HS图像特征提取，使得光谱和空间特征可以在多个过程中进行探索，从而使模型能够更自由地提取平衡表示进行分类。
- 在相关信息的指导下融合低级和高级特征，减轻了语义差距的影响。
论文以及代码
论文链接: link
代码链接: link
