基于卷积神经网络的高光谱图像空谱特征选择与提取方法

这是一篇关于高光谱图像,特征选择,特征提取,卷积神经网络,知识蒸馏,对比学习的论文, 主要内容为高光谱遥感图像同时提供了地物的空间分布信息和光谱反射信息,极大地增强了遥感对地观测能力,被广泛用于精准农业、地质勘探、城市规划和军事防御等多个领域,是世界各国争先发展的科技前沿。随着高光谱成像技术的迅猛发展,高光谱图像空间和光谱分辨率不断提升,为图像分类带来机遇的同时,也带来了挑战。一方面,高光谱图像往往包含成百上千个波段,具有光谱维度高、波段信息冗余的特点,易导致分类任务中的“维数灾难”问题;另一方面,高光谱图像空谱结构复杂,传统基于人工设计的特征提取方法难以自适应地学习图像的高辨识性空谱特征,导致图像精确分类困难。因此,如何实现低冗余度的低维特征表示,提取高辨识性的空谱特征,是提升高光谱图像分类性能的关键,也是高光谱遥感领域亟待解决的重要科学问题。本文在深入总结和分析高光谱遥感图像特征选择和特征提取研究现状的基础上,结合深度学习理论知识,针对高光谱图像光谱维度高、空谱结构复杂等特点导致的难以高精度分类难题,研究了基于卷积神经网络的高光谱遥感图像特征选择与特征提取方法,实现了空谱结构保持的低维波段子集最优选择,提升了高光谱图像空谱特征的地物辨识性能,并设计开发了高光谱图像空谱特征学习软件,具体研究内容如下:(1)针对高光谱图像光谱维度高、波段信息冗余导致的“维数灾难”问题,提出了一种基于知识蒸馏的卷积神经网络高光谱图像无监督特征选择方法。本方法首次将知识蒸馏思想引入特征波段选择任务中,通过结构更复杂、性能更优的教师网络学习图像的复杂空谱特征表示,从而引导结构精简、复杂度更低的学生网络训练,从而实现具有空谱结构保持特性的低维特征子集最优选择。在两个高光谱数据集上的开展实验,并与几种经典的特征选择算法相比,结果表明所提方法选择了更优的低维特征波段子集,在选择特征波段较少时,优势更明显。(2)针对高光谱图像空谱结构复杂、难以自适应学习高辨识性空谱特征的问题,提出了一种对比学习引导的卷积神经网络空谱特征提取方法。该方法构建了一个端到端的有监督对比学习特征提取框架,通过构建光谱对比学习模块,获得类内紧致、类间离散的光谱特征表示,然后,利用光谱特征指导多层空间特征提取与融合,获得更具判别性的空谱特征。此外,使用成对学习策略代替像素学习策略,大幅提高模型对细节信息的学习能力。在三个高光谱数据集上进行实验,并与几种最新的特征提取方法进行对比,所提方法在三个客观评价指标上均具有显著优势,证明所提方法可以提取更具辨识性的空谱特征,进而获得更好的地物分类结果。(3)针对本文提出的高光谱图像空谱特征选择和提取方法,在Python3.9开发环境下,基于Py Qt工具进行了高光谱图像空谱特征学习集成化软件工具设计开发,具体包括数据读取、数据预处理、特征选择、特征提取、地物分类和参数设置六个功能模块,并在海岸带湿地高光谱图像黄河三角洲YRD数据集上进行实例应用,验证了本文所提方法可以在真实场景数据中实现最优特征波段选择和高效特征提取的有效性。

基于神经网络的高光谱图像重构系统的设计与实现

这是一篇关于高光谱图像,神经网络,压缩感知,注意力机制的论文, 主要内容为高光谱图像同时提供物体的空间信息及丰富的光谱信息,利用光谱信息可以对物质进行材质识别,因此它在目标识别领域具有巨大的优势,这也使得它在地质勘测、物质分类等领域得到广泛研究。随着高光谱图像分辨率的不断提升,高光谱图像数据量越来越大,不仅对成像系统的存储造成了压力,而且给数据传输、处理都带来极大挑战。压缩感知作为一种新颖的采样理论,可在采样时对信号进行压缩,能够减少数据量,然而使用该采样理论对高光谱图像采样后,需采用压缩感知重构算法对图像复原,只有精准复原后的图像才能用于目标识别等领域。传统的压缩感知重构算法采用数值最优化思路,需进行大量的迭代运算,这使得对原始图像的求解速度变慢,并且求解精度较低。利用神经网络可完成高光谱图像的高精度低时延重构。故基于神经网络的高光谱图像重构算法具有重要的研究意义。本文主要设计并实现一个基于神经网络的高光谱图像重构系统,提出一种基于神经网络的高光谱图像重构模型。通过充分了解当前研究人员在实际重构高光谱图像时的处理流程,明确重构系统的功能需求以及重构算法需求。在算法需求分析的结果上设计了一个残差注意力网络来重构高光谱图像,首先采用具有不同感受野的卷积层对高光谱图像的特征进行提取,再通过引入通道注意力机制的残差注意力块来挖掘高光谱图像的谱间相关性等潜在特征。通过与三种传统压缩感知重构算法(OMP、TwIST、GPSR)以及一种神经网络重构模型(DNNnet)进行对比实验,相较于传统算法,此方法平均峰值信噪比至少提升8db,平均结构相似度至少提升0.12,重构速度至少提升7倍;相较于DNNnet,此方法表现更优,实验结果证明此方法的有效性及合理性。然后结合系统需求设计并实现一个三层架构的高光谱图像重构系统,包括表现层、逻辑层及数据层。将高光谱图像重构系统分为了若干功能模块,对其中的图像数据管理模块、图像预处理模块、图像去噪模块、传统压缩感知重构模块、神经网络重构模块和评价指标管理模块进行详细设计与实现,使用类图和流程图对设计与实现过程进行描述。最后,本文对设计实现的高光谱图像重构系统进行了充分的功能测试及性能测试。测试结果证实高光谱图像重构系统可平稳运行且满足实际需求,能够快速对用户请求进行响应。用户通过使用此系统,可提高高光谱图像重构的精确性,降低高光谱图像重构的耗时,同时能够提高处理高光谱图像的工作效率。

基于神经网络的高光谱图像重构系统的设计与实现

这是一篇关于高光谱图像,神经网络,压缩感知,注意力机制的论文, 主要内容为高光谱图像同时提供物体的空间信息及丰富的光谱信息,利用光谱信息可以对物质进行材质识别,因此它在目标识别领域具有巨大的优势,这也使得它在地质勘测、物质分类等领域得到广泛研究。随着高光谱图像分辨率的不断提升,高光谱图像数据量越来越大,不仅对成像系统的存储造成了压力,而且给数据传输、处理都带来极大挑战。压缩感知作为一种新颖的采样理论,可在采样时对信号进行压缩,能够减少数据量,然而使用该采样理论对高光谱图像采样后,需采用压缩感知重构算法对图像复原,只有精准复原后的图像才能用于目标识别等领域。传统的压缩感知重构算法采用数值最优化思路,需进行大量的迭代运算,这使得对原始图像的求解速度变慢,并且求解精度较低。利用神经网络可完成高光谱图像的高精度低时延重构。故基于神经网络的高光谱图像重构算法具有重要的研究意义。本文主要设计并实现一个基于神经网络的高光谱图像重构系统,提出一种基于神经网络的高光谱图像重构模型。通过充分了解当前研究人员在实际重构高光谱图像时的处理流程,明确重构系统的功能需求以及重构算法需求。在算法需求分析的结果上设计了一个残差注意力网络来重构高光谱图像,首先采用具有不同感受野的卷积层对高光谱图像的特征进行提取,再通过引入通道注意力机制的残差注意力块来挖掘高光谱图像的谱间相关性等潜在特征。通过与三种传统压缩感知重构算法(OMP、TwIST、GPSR)以及一种神经网络重构模型(DNNnet)进行对比实验,相较于传统算法,此方法平均峰值信噪比至少提升8db,平均结构相似度至少提升0.12,重构速度至少提升7倍;相较于DNNnet,此方法表现更优,实验结果证明此方法的有效性及合理性。然后结合系统需求设计并实现一个三层架构的高光谱图像重构系统,包括表现层、逻辑层及数据层。将高光谱图像重构系统分为了若干功能模块,对其中的图像数据管理模块、图像预处理模块、图像去噪模块、传统压缩感知重构模块、神经网络重构模块和评价指标管理模块进行详细设计与实现,使用类图和流程图对设计与实现过程进行描述。最后,本文对设计实现的高光谱图像重构系统进行了充分的功能测试及性能测试。测试结果证实高光谱图像重构系统可平稳运行且满足实际需求,能够快速对用户请求进行响应。用户通过使用此系统,可提高高光谱图像重构的精确性,降低高光谱图像重构的耗时,同时能够提高处理高光谱图像的工作效率。

基于卷积神经网络的高光谱图像空谱特征选择与提取方法

这是一篇关于高光谱图像,特征选择,特征提取,卷积神经网络,知识蒸馏,对比学习的论文, 主要内容为高光谱遥感图像同时提供了地物的空间分布信息和光谱反射信息,极大地增强了遥感对地观测能力,被广泛用于精准农业、地质勘探、城市规划和军事防御等多个领域,是世界各国争先发展的科技前沿。随着高光谱成像技术的迅猛发展,高光谱图像空间和光谱分辨率不断提升,为图像分类带来机遇的同时,也带来了挑战。一方面,高光谱图像往往包含成百上千个波段,具有光谱维度高、波段信息冗余的特点,易导致分类任务中的“维数灾难”问题;另一方面,高光谱图像空谱结构复杂,传统基于人工设计的特征提取方法难以自适应地学习图像的高辨识性空谱特征,导致图像精确分类困难。因此,如何实现低冗余度的低维特征表示,提取高辨识性的空谱特征,是提升高光谱图像分类性能的关键,也是高光谱遥感领域亟待解决的重要科学问题。本文在深入总结和分析高光谱遥感图像特征选择和特征提取研究现状的基础上,结合深度学习理论知识,针对高光谱图像光谱维度高、空谱结构复杂等特点导致的难以高精度分类难题,研究了基于卷积神经网络的高光谱遥感图像特征选择与特征提取方法,实现了空谱结构保持的低维波段子集最优选择,提升了高光谱图像空谱特征的地物辨识性能,并设计开发了高光谱图像空谱特征学习软件,具体研究内容如下:(1)针对高光谱图像光谱维度高、波段信息冗余导致的“维数灾难”问题,提出了一种基于知识蒸馏的卷积神经网络高光谱图像无监督特征选择方法。本方法首次将知识蒸馏思想引入特征波段选择任务中,通过结构更复杂、性能更优的教师网络学习图像的复杂空谱特征表示,从而引导结构精简、复杂度更低的学生网络训练,从而实现具有空谱结构保持特性的低维特征子集最优选择。在两个高光谱数据集上的开展实验,并与几种经典的特征选择算法相比,结果表明所提方法选择了更优的低维特征波段子集,在选择特征波段较少时,优势更明显。(2)针对高光谱图像空谱结构复杂、难以自适应学习高辨识性空谱特征的问题,提出了一种对比学习引导的卷积神经网络空谱特征提取方法。该方法构建了一个端到端的有监督对比学习特征提取框架,通过构建光谱对比学习模块,获得类内紧致、类间离散的光谱特征表示,然后,利用光谱特征指导多层空间特征提取与融合,获得更具判别性的空谱特征。此外,使用成对学习策略代替像素学习策略,大幅提高模型对细节信息的学习能力。在三个高光谱数据集上进行实验,并与几种最新的特征提取方法进行对比,所提方法在三个客观评价指标上均具有显著优势,证明所提方法可以提取更具辨识性的空谱特征,进而获得更好的地物分类结果。(3)针对本文提出的高光谱图像空谱特征选择和提取方法,在Python3.9开发环境下,基于Py Qt工具进行了高光谱图像空谱特征学习集成化软件工具设计开发,具体包括数据读取、数据预处理、特征选择、特征提取、地物分类和参数设置六个功能模块,并在海岸带湿地高光谱图像黄河三角洲YRD数据集上进行实例应用,验证了本文所提方法可以在真实场景数据中实现最优特征波段选择和高效特征提取的有效性。

基于神经网络的高光谱图像重构系统的设计与实现

这是一篇关于高光谱图像,神经网络,压缩感知,注意力机制的论文, 主要内容为高光谱图像同时提供物体的空间信息及丰富的光谱信息,利用光谱信息可以对物质进行材质识别,因此它在目标识别领域具有巨大的优势,这也使得它在地质勘测、物质分类等领域得到广泛研究。随着高光谱图像分辨率的不断提升,高光谱图像数据量越来越大,不仅对成像系统的存储造成了压力,而且给数据传输、处理都带来极大挑战。压缩感知作为一种新颖的采样理论,可在采样时对信号进行压缩,能够减少数据量,然而使用该采样理论对高光谱图像采样后,需采用压缩感知重构算法对图像复原,只有精准复原后的图像才能用于目标识别等领域。传统的压缩感知重构算法采用数值最优化思路,需进行大量的迭代运算,这使得对原始图像的求解速度变慢,并且求解精度较低。利用神经网络可完成高光谱图像的高精度低时延重构。故基于神经网络的高光谱图像重构算法具有重要的研究意义。本文主要设计并实现一个基于神经网络的高光谱图像重构系统,提出一种基于神经网络的高光谱图像重构模型。通过充分了解当前研究人员在实际重构高光谱图像时的处理流程,明确重构系统的功能需求以及重构算法需求。在算法需求分析的结果上设计了一个残差注意力网络来重构高光谱图像,首先采用具有不同感受野的卷积层对高光谱图像的特征进行提取,再通过引入通道注意力机制的残差注意力块来挖掘高光谱图像的谱间相关性等潜在特征。通过与三种传统压缩感知重构算法(OMP、TwIST、GPSR)以及一种神经网络重构模型(DNNnet)进行对比实验,相较于传统算法,此方法平均峰值信噪比至少提升8db,平均结构相似度至少提升0.12,重构速度至少提升7倍;相较于DNNnet,此方法表现更优,实验结果证明此方法的有效性及合理性。然后结合系统需求设计并实现一个三层架构的高光谱图像重构系统,包括表现层、逻辑层及数据层。将高光谱图像重构系统分为了若干功能模块,对其中的图像数据管理模块、图像预处理模块、图像去噪模块、传统压缩感知重构模块、神经网络重构模块和评价指标管理模块进行详细设计与实现,使用类图和流程图对设计与实现过程进行描述。最后,本文对设计实现的高光谱图像重构系统进行了充分的功能测试及性能测试。测试结果证实高光谱图像重构系统可平稳运行且满足实际需求,能够快速对用户请求进行响应。用户通过使用此系统,可提高高光谱图像重构的精确性,降低高光谱图像重构的耗时,同时能够提高处理高光谱图像的工作效率。

基于深度可解释网络的高光谱图像超分辨率重建方法研究

这是一篇关于高光谱图像,超分辨率重建,非局部自相似性,可解释神经网络,图像融合的论文, 主要内容为高光谱图像兼具真实场景下空间以及光谱信息,它以数十至数百个连续且细分的光谱波段对目标区域同时成像,在遥感、航空航天以及勘探等领域都发挥着至关重要的作用。然而,由于半导体及芯片等硬件条件的限制,通常很难获得高空间分辨率和高光谱分辨率的图像,因此进行超分辨率重建是解决这一问题的有效方法。近年来利用辅助图像与高光谱图像融合进行超分辨率重建的方法引起了广泛地关注。这种基于融合的方法主要有传统方法和基于深度学习的方法两大类。传统的融合方法复杂度较高,效果不够理想,随着深度学习的引入,这类不足得到了一定的弥补。而基于深度学习的方法往往存在可解释性不够强,以及对一些重要先验利用不足。因此,针对以上问题,本文在深度学习框架下提出了基于深度可解释网络的高光谱图像超分辨率重建方法。一是提出了一种基于迭代阈值收缩算法(ISTA)的可解释光谱图像辅助融合方法,用来提升网络的可解释性以及利用图像变换域的信息。本文将可解释性极高的ISTA展开网络作为网络模块嵌入MHF-Net中,构建了一个具备高度可解释性的深度网络结构。本方法首先根据高光谱图像观测模型构建融合问题模型,然后利用ISTA算法对其进行迭代求解,然后展开为深度可解释网络。由于本方法在网络模型中加入了对称约束,使网络可以更好地利用高光谱图像变换域的信息,以便提取更丰富的特征进行重建。最后通过实验证明本研究提出网络结构的有效性以及其取得的良好重建结果。二是提出了一种基于非局部相似性的可解释光谱图像辅助融合方法,用来对高光谱图像的高频信息加以利用。本文提出了一种新的融合模型,增加了高光谱图像非局部先验的约束。得到融合模型后,利用非局部自回归模型指导深度可解释网络的设计,并将非局部正则化集成为网络框架内的可训练模块。由于本方法利用更少的网络层数堆叠获取更丰富的信息,充分利用了图像非局部的相似性,使网络更有效地进行了图像边缘重构,得到了更好的重建效果。最后通过实验证明本方法提出的融合模型的正确性以及可解释网络具备良好的性能及泛化能力。

基于深度可解释网络的高光谱图像超分辨率重建方法研究

这是一篇关于高光谱图像,超分辨率重建,非局部自相似性,可解释神经网络,图像融合的论文, 主要内容为高光谱图像兼具真实场景下空间以及光谱信息,它以数十至数百个连续且细分的光谱波段对目标区域同时成像,在遥感、航空航天以及勘探等领域都发挥着至关重要的作用。然而,由于半导体及芯片等硬件条件的限制,通常很难获得高空间分辨率和高光谱分辨率的图像,因此进行超分辨率重建是解决这一问题的有效方法。近年来利用辅助图像与高光谱图像融合进行超分辨率重建的方法引起了广泛地关注。这种基于融合的方法主要有传统方法和基于深度学习的方法两大类。传统的融合方法复杂度较高,效果不够理想,随着深度学习的引入,这类不足得到了一定的弥补。而基于深度学习的方法往往存在可解释性不够强,以及对一些重要先验利用不足。因此,针对以上问题,本文在深度学习框架下提出了基于深度可解释网络的高光谱图像超分辨率重建方法。一是提出了一种基于迭代阈值收缩算法(ISTA)的可解释光谱图像辅助融合方法,用来提升网络的可解释性以及利用图像变换域的信息。本文将可解释性极高的ISTA展开网络作为网络模块嵌入MHF-Net中,构建了一个具备高度可解释性的深度网络结构。本方法首先根据高光谱图像观测模型构建融合问题模型,然后利用ISTA算法对其进行迭代求解,然后展开为深度可解释网络。由于本方法在网络模型中加入了对称约束,使网络可以更好地利用高光谱图像变换域的信息,以便提取更丰富的特征进行重建。最后通过实验证明本研究提出网络结构的有效性以及其取得的良好重建结果。二是提出了一种基于非局部相似性的可解释光谱图像辅助融合方法,用来对高光谱图像的高频信息加以利用。本文提出了一种新的融合模型,增加了高光谱图像非局部先验的约束。得到融合模型后,利用非局部自回归模型指导深度可解释网络的设计,并将非局部正则化集成为网络框架内的可训练模块。由于本方法利用更少的网络层数堆叠获取更丰富的信息,充分利用了图像非局部的相似性,使网络更有效地进行了图像边缘重构,得到了更好的重建效果。最后通过实验证明本方法提出的融合模型的正确性以及可解释网络具备良好的性能及泛化能力。

基于卷积神经网络的高光谱图像空谱特征选择与提取方法

这是一篇关于高光谱图像,特征选择,特征提取,卷积神经网络,知识蒸馏,对比学习的论文, 主要内容为高光谱遥感图像同时提供了地物的空间分布信息和光谱反射信息,极大地增强了遥感对地观测能力,被广泛用于精准农业、地质勘探、城市规划和军事防御等多个领域,是世界各国争先发展的科技前沿。随着高光谱成像技术的迅猛发展,高光谱图像空间和光谱分辨率不断提升,为图像分类带来机遇的同时,也带来了挑战。一方面,高光谱图像往往包含成百上千个波段,具有光谱维度高、波段信息冗余的特点,易导致分类任务中的“维数灾难”问题;另一方面,高光谱图像空谱结构复杂,传统基于人工设计的特征提取方法难以自适应地学习图像的高辨识性空谱特征,导致图像精确分类困难。因此,如何实现低冗余度的低维特征表示,提取高辨识性的空谱特征,是提升高光谱图像分类性能的关键,也是高光谱遥感领域亟待解决的重要科学问题。本文在深入总结和分析高光谱遥感图像特征选择和特征提取研究现状的基础上,结合深度学习理论知识,针对高光谱图像光谱维度高、空谱结构复杂等特点导致的难以高精度分类难题,研究了基于卷积神经网络的高光谱遥感图像特征选择与特征提取方法,实现了空谱结构保持的低维波段子集最优选择,提升了高光谱图像空谱特征的地物辨识性能,并设计开发了高光谱图像空谱特征学习软件,具体研究内容如下:(1)针对高光谱图像光谱维度高、波段信息冗余导致的“维数灾难”问题,提出了一种基于知识蒸馏的卷积神经网络高光谱图像无监督特征选择方法。本方法首次将知识蒸馏思想引入特征波段选择任务中,通过结构更复杂、性能更优的教师网络学习图像的复杂空谱特征表示,从而引导结构精简、复杂度更低的学生网络训练,从而实现具有空谱结构保持特性的低维特征子集最优选择。在两个高光谱数据集上的开展实验,并与几种经典的特征选择算法相比,结果表明所提方法选择了更优的低维特征波段子集,在选择特征波段较少时,优势更明显。(2)针对高光谱图像空谱结构复杂、难以自适应学习高辨识性空谱特征的问题,提出了一种对比学习引导的卷积神经网络空谱特征提取方法。该方法构建了一个端到端的有监督对比学习特征提取框架,通过构建光谱对比学习模块,获得类内紧致、类间离散的光谱特征表示,然后,利用光谱特征指导多层空间特征提取与融合,获得更具判别性的空谱特征。此外,使用成对学习策略代替像素学习策略,大幅提高模型对细节信息的学习能力。在三个高光谱数据集上进行实验,并与几种最新的特征提取方法进行对比,所提方法在三个客观评价指标上均具有显著优势,证明所提方法可以提取更具辨识性的空谱特征,进而获得更好的地物分类结果。(3)针对本文提出的高光谱图像空谱特征选择和提取方法,在Python3.9开发环境下,基于Py Qt工具进行了高光谱图像空谱特征学习集成化软件工具设计开发,具体包括数据读取、数据预处理、特征选择、特征提取、地物分类和参数设置六个功能模块,并在海岸带湿地高光谱图像黄河三角洲YRD数据集上进行实例应用,验证了本文所提方法可以在真实场景数据中实现最优特征波段选择和高效特征提取的有效性。

基于多尺度光谱特征网络的高光谱图像分类算法研究

这是一篇关于高光谱图像,多尺度特征,光谱-空间信息探索,注意力机制的论文, 主要内容为通过高光谱成像技术采集的图像中包括大量的光谱和空间特征,这些特征的获取使得观测场景中不同物质的识别具有优势。随着高光谱图像分类技术的发展,该技术在化学成像、场景识别和矿物探勘等领域上取得了广泛的应用。其中,光谱-空间特征的关系、标记样本的有限性和图像光谱维度大等问题仍然是具有挑战性的任务。在过去的研究中,虽然已经提出了一些针对高光谱维度高问题的解决方法,但是简单粗暴的降维方式可能会导致光谱波段破坏和丢失的问题,从而造成分类模型的精度下降。同时,现有的基于光谱和空间特征提取的分类网络,存在无法充分有效的提取特征和训练参数较多等问题。在本文中,将高效降低光谱冗余和充分提取光谱特征和空间特征,进而提升分类准确度。本文主要内容如下:(1)针对光谱降维造成信息损失和训练样本有限的问题,本文提出了高效光谱金字塔与光谱-空间特征融合交互的高光谱图像分类网络(ESI-Net),该网络结构可以在训练参数较少的情况下提升分类模型精度。在ESI-Net中,高效光谱金字塔模块能够保留不同感受野下的全局和局部光谱特征以降低光谱降维后造成的信息损失。此外,我们还设计了改进的光谱-空间特征交互模块,从而增加网络对光谱和空间特征的提取。同时,在该模块中利用光谱-空间可分离卷积模块代替传统的三维卷积操作,从而减少可训练参数量和提升网络深度。本文提出的ESI-Net分类方法最终在Salinas Valley(SV)、Pavia University(PU)和Indian Pines(IP)数据集上验证方法的优越性。(2)本文提出了一种基于注意力机制的多尺度光谱特征分类网络(FANet)来提升模型分类的准确度。在FANet中考虑到筛选有意义的特征有助于提升分类网络的准确度。其中,我们引入了一种多尺度光谱特征提取模块使网络获得不同感受野下的光谱特征,并利用基于残差结构的通道注意力机制增加有意义特征值的权重,以提取更全面的光谱信息。此外,针对深化后的网络模型会显著提升训练参数量的问题,我们还引入了基于残差结构的空间注意力机制、基于残差结构的光谱空间注意力机制和改进的光谱-空间特征交互模块,组合构建细节特征提取模块以实现高效获得低维信息的作用,进而提高分类精度。本文提出的FANet方法最终依然在SV、P U和IP三个公共的数据集上验证算法的优越性。