高分光画像自身および分類過程におけるノイズ干渉が大きく、空間-スペクトル特徴情報の抽出が不十分であり、限られたサンプル下での分類性能が良くない問題を解決するために、多分岐スペクトル特徴強化に基づく高分光画像分類モデルSSFE-MBACNNを提案する。まず、多分岐特徴抽出モジュールを用いて浅層のスペクトル特徴と深層の空間特徴情報をそれぞれ抽出し、注意機構を導入してノイズ干渉を抑制する。次に、改良された多スケールスペクトル特徴抽出融合モジュールと二重プーリングおよび空洞畳み込みを組み合わせた空間特徴強化モジュールを設計し、スペクトル特徴を強化し、モデルパラメータ数を削減し分類性能を向上させる。最後に、全結合層をグローバル平均プーリング層に置き換え、パラメータ数をさらに減らし、モデルの過学習問題を緩和する。実験結果は、Indian Pines（学習サンプル10％）、Pavia University（学習サンプル5％）、Salinas（学習サンプル1％）のデータセットにおいて、それぞれ0.9907、0.9975、0.9947の総合分類精度を達成したことを示している。SSFE-MBACNNは空間スペクトル特徴情報を十分に活用できるだけでなく、限られたサンプル下でも優れた分類性能を達成し、他の比較手法を大きく上回っている。

高分光画像分類;特徴強化;多分岐特徴抽出;注意機構;多スケール特徴;二重プーリング;空洞畳み込み