一种面向数据不足与类别不平衡的高光谱图像分类的谱-空依赖全局学习框架

深度学习技术已广泛应用于高光谱图像（HSI）分类，并取得了显著成果。然而，深度神经网络模型通常具有庞大的参数空间，且需要大量标注数据。现有的HSI分类深度学习方法多采用基于局部图像块（patchwise）的学习框架。近期，一种基于全局空间上下文信息的快速无块全局学习（Fast Patch-Free Global Learning, FPGA）架构被提出，用于HSI分类。然而，当样本数据存在不平衡时，FPGA在提取最具判别性的特征方面仍面临挑战。本文提出一种基于全局卷积长短期记忆网络（Global Convolutional Long Short-Term Memory, GCL）与全局联合注意力机制（Global Joint Attention Mechanism, GJAM）的光谱-空间依赖全局学习（Spectral-Spatial Dependent Global Learning, SSDGL）框架，以应对高光谱图像分类中样本不足与数据不平衡的问题。在SSDGL框架中，提出了分层平衡（Hierarchically Balanced, H-B）采样策略与加权Softmax损失函数，以有效缓解样本不平衡问题。为更好地区分不同地物类型间相似的光谱特征，引入GCL模块，用于捕捉光谱特征的长短期依赖关系。为进一步学习最具判别性的特征表示，设计了GJAM模块，以自动识别关键注意力区域。在三个公开高光谱图像数据集上的实验结果表明，SSDGL在样本不足与数据不平衡条件下均展现出强大的分类性能，优于现有多种先进方法。代码已开源，获取地址为：https://github.com/dengweihuan/SSDGL。