摘要
深度学习（Deep Learning, DL）因其强大的非线性建模能力与端到端优化特性，在高光谱图像（Hyperspectral Image, HSI）分类任务中展现出巨大潜力。尽管基于深度学习的方法已表现出优异的性能，但仍存在一些局限性。一方面，现有深度学习框架通常仅依赖一阶统计特征，而较少考虑二阶甚至更高阶的统计特征；另一方面，复杂超参数（如网络层数、卷积核尺寸等）的优化过程耗时且极具挑战性，导致所设计的深度学习框架缺乏可解释性。为克服上述挑战，本文提出一种新型的基于注意力机制的二阶池化网络（Attention-based Second-order Pooling Network, A-SPN）。首先，设计了一种一阶特征算子，用于建模高光谱图像的光谱-空间联合信息；其次，提出一种基于注意力机制的二阶池化（Attention-based Second-order Pooling, A-SOP）算子，以捕捉更具判别性与代表性的特征；最后，采用全连接层结合Softmax损失函数实现分类。所提出的框架能够以端到端的方式自动提取二阶统计特征。此外，A-SPN无需复杂超参数调优，显著提升了模型的可解释性，并更易于部署于各类分类任务中。基于三个常用高光谱数据集的实验结果表明，相较于其他传统方法及当前先进的深度学习分类方法，A-SPN在训练样本有限的情况下，仍展现出更优的泛化能力、更高的分类精度、更快的收敛速度以及更低的计算复杂度，充分验证了其有效性与实用性。