Для решения проблем сильных шумовых помех собственно гиперспектральных изображений и процесса классификации, недостаточного извлечения пространственно-спектральных признаков и плохой производительности классификации при ограниченном количестве образцов предлагается модель классификации гиперспектральных изображений SSFE-MBACNN на основе многоветвевого усиления спектральных признаков. Во-первых, с помощью многоветвевого модуля извлечения признаков последовательно извлекаются поверхностные спектральные и глубокие пространственные признаки, а механизм внимания вводится для подавления шумовых помех. Во-вторых, разработан улучшенный многомасштабный модуль извлечения и слияния спектральных признаков, а также модуль усиления пространственных признаков с использованием двойного пула и дилатационных сверток для усиления спектральных признаков, снижения числа параметров модели и повышения производительности классификации. В-третьих, слой глобального среднего пула заменяет полносвязный слой, что дополнительно снижает количество параметров и снижает проблему переобучения модели. Экспериментальные результаты показывают, что общая точность классификации достигает 0.9907, 0.9975 и 0.9947 на датасетах Indian Pines (10% обучающих образцов), Pavia University (5% обучающих образцов) и Salinas (1% обучающих образцов) соответственно. SSFE-MBACNN не только эффективно использует пространственно-спектральную информацию, но и достигает превосходной классификации при ограниченном количестве образцов, существенно превосходя другие сравнительные методы.

Классификация гиперспектральных изображений;усиление признаков;многоветвое извлечение признаков;механизм внимания;многоуровневые признаки;двойной пул;дилатационные свертки