고분광 영상 자체 및 분류 과정 중 노이즈 간섭이 크고, 공간-스펙트럼 특징 정보 추출이 부족하며 제한된 샘플에서 분류 성능이 좋지 않은 문제를 해결하기 위해 다중 브랜치 스펙트럼 특징 강화 기반 고분광 영상 분류 모델 SSFE-MBACNN을 제안한다. 먼저 다중 브랜치 특징 추출 모듈을 이용해 얕은 스펙트럼 특징과 깊은 공간 특징 정보를 각각 추출하고, 주의 메커니즘을 도입하여 노이즈 간섭을 억제한다. 다음으로 향상된 다중 스케일 스펙트럼 특징 추출 융합 모듈과 이중 풀링 및 확장 합성을 결합한 공간 특징 강화 모듈을 설계하여 스펙트럼 특징을 강화하고 모델 파라미터 수를 줄이며 분류 성능을 향상시킨다. 마지막으로 전결합층 대신 전역 평균 풀링 층을 사용하여 파라미터 수를 추가로 줄이고 모델 과적합 문제를 완화한다. 실험 결과 Indian Pines (학습 샘플 10%), Pavia University (학습 샘플 5%), Salinas (학습 샘플 1%) 데이터셋에서 각각 0.9907, 0.9975, 0.9947의 전체 분류 정확도를 얻었다. SSFE-MBACNN은 스펙트럼 공간 특징 정보를 충분히 활용할 뿐만 아니라 제한된 샘플에서도 우수한 분류 성능을 보여 다른 비교 방법보다 현저히 뛰어나다.

고분광 영상 분류;특징 강화;다중 브랜치 특징 추출;주의 메커니즘;다중 스케일 특징;이중 풀링;확장 합성