第３５卷，第２期自然资源遥感Ｖｏｌ．３５，Ｎｏ．２２０２３年６月ＲＥＭＯＴＥＳＥＮＳＩＮＧＦＯＲＮＡＴＵＲＡＬＲＥＳＯＵＲＣＥＳＪｕｎ．，２０２３ｄｏｉ：１０．６０４６／ｚｒｚｙｙｇ．２０２２１００引用格式：郑宗生，刘海霞，王振华，等．改进３Ｄ－ＣＮＮ的高光谱图像地物分类方法［Ｊ］．自然资源遥感，２０２３，３５（２）：１０５－１１１．（ＺｈｅｎｇＺＳ，ＬｉｕＨＸ，ＷａｎｇＺＨ，ｅｔａｌ．Ｉｍｐｒｏｖｅｄ３Ｄ－ＣＮＮ－ｂａｓｅｄｍｅｔｈｏｄｆｏｒｓｕｒｆａｃｅｆｅａｔｕｒｅｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓ，２０２３，３５（２）：１０５－１１１．）改进３Ｄ－ＣＮＮ的高光谱图像地物分类方法郑宗生，刘海霞，王振华，卢鹏，沈绪坤，唐鹏飞（上海海洋大学信息学院，上海２０１３０６）摘要：高光谱图像具有数据量大、波段多和波段间相关性强等特性，传统高光谱分类方法通常单独考虑光谱和空间信息，特征提取不充分，忽略了图像纹理构造和重要光谱信息。针对这些问题，提出一种基于卷积神经网络（ｃｏｎｖｏ⁃ｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）的高光谱分类方法。该方法基于三维ＣＮＮ（３ＤＣＮＮ），处理多尺度空谱数据，并对双重注意力机制进行改进，提出光谱注意力机制；其次，采取跨层特征融合和多通道特征提取策略，进一步提高地物分类精度。选取“高分五号”卫星拍摄的２景影像共６０４３个样本作为实验数据，并将提出的方法与支持向量机（ｓｕｐ⁃ｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ＳＶＭ），一维ＣＮＮ（１ＤＣＮＮ），二维ＣＮＮ（２ＤＣＮＮ），３ＤＣＮＮ和残差网络（ｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ，Ｒｅｓ⁃Ｎｅｔ）进行比较分析。结果表明，所提方法的总体精度（ｏｖｅｒａｌｌａｃｃｕｒａｃｙ，ＯＡ）和Ｋａｐｐａ系数均有显著提高，ＯＡ值均达到９５％以上。其中，ＯＡ在江苏南通地区数据集上达到了９５．８４％，较ＳＶＭ，１ＤＣＮＮ，２ＤＣＮＮ，３ＤＣＮＮ和ＲｅｓＮｅｔ方法分别提高了２１．５４，２１．７１，７．２８，３．９４，２．５６百分点。关键词：高光谱图像；地物分类；三维卷积神经网络；注意力机制；特征融合中图法分类号：ＴＰ７５１文献标志码：Ａ文章编号：２０９７－０３４Ｘ（２０２３）０２－０１０５－０７收稿...
