Um die Probleme hoher Störgeräusche in hyperspektralen Bildern und im Klassifikationsprozess, unzureichende Extraktion räumlich-spektraler Merkmale sowie schlechte Klassifikationsleistung bei begrenzten Stichproben zu lösen, wird ein hyperspektrales Bildklassifikationsmodell SSFE-MBACNN auf Basis einer mehrzweigigen spektralen Merkmalsverstärkung vorgeschlagen. Zunächst werden mit einem mehrzweigigen Merkmalsextraktionsmodul oberflächliche spektrale Merkmale und tiefere räumliche Merkmale extrahiert, wobei ein Aufmerksamkeitsmechanismus zur Unterdrückung von Störungen eingeführt wird. Zweitens wird ein verbessertes Modul zur Extraktion und Fusion multiskaliger spektraler Merkmale sowie ein räumliches Merkmalsverstärkungsmodul, das doppelte Pooling und dilatierte Faltungen kombiniert, entworfen, um spektrale Merkmale zu verstärken, die Modellparameter zu reduzieren und die Klassifikationsleistung zu verbessern. Schließlich wird die vollverbundene Schicht durch eine globale Durchschnittspooling-Schicht ersetzt, um die Parameteranzahl weiter zu verringern und das Überanpassungsproblem zu mildern. Die experimentellen Ergebnisse zeigen, dass die Gesamtklassifikationsgenauigkeit auf den Datensätzen Indian Pines (10 % Trainingsproben), Pavia University (5 % Trainingsproben) und Salinas (1 % Trainingsproben) jeweils 0,9907, 0,9975 bzw. 0,9947 erreicht wurde. SSFE-MBACNN nutzt nicht nur die räumlich-spektralen Merkmalinformationen umfassend, sondern erzielt auch bei begrenzten Stichproben hervorragende Klassifikationsergebnisse und liegt deutlich über anderen Vergleichsmethoden.

Hyperspektrale Bildklassifikation;Merkmalsverstärkung;Mehrzweigige Merkmalsextraktion;Aufmerksamkeitsmechanismus;Multiskalige Merkmale;Doppeltes Pooling;Dilatierte Faltung