摘要
卷积神经网络（CNNs）在高光谱传感图像（HSI）分类中取得了良好的性能，但CNNs将光谱视为无序向量。因此，考虑到光谱作为序列的特点，循环神经网络（RNNs）已被应用于HSI分类，因为RNNs擅长处理序列数据。然而，在处理长序列任务时，RNNs的训练较为困难，效果也不如预期。此外，RNNs未考虑空间上下文特征。在本研究中，我们提出了一种缩短的空间-光谱循环神经网络与并行门控循环单元（St-SS-pGRU），用于HSI分类。相比逐波段的RNN，缩短的RNN具有更高的效率和更容易训练的优势。通过结合卷积层，St-SS-pGRU模型不仅考虑了光谱特征，还考虑了空间特征，从而实现了更好的性能。此外，我们还提出并应用了一种名为并行门控循环单元（parallel-GRU）的架构。借助该架构，模型表现出更优的性能且更加鲁棒。