ResNet à noyau spectrale-spatiale adaptatif basé sur l'attention pour la classification d'images hyperspectrales

Les images hyperspectrales (HSI) offrent des informations riches en spectral-spatiales grâce à un empilement de centaines de bandes étroites contiguës. En raison de la présence de bruit et de corrélations entre les bandes, la sélection de caractéristiques spectrales-spatiales pertinentes constitue un défi. Ce problème est généralement abordé à l’aide de réseaux de neurones convolutifs (CNN) dotés de champs réceptifs (RF) de taille fixe. Toutefois, ces approches ne permettent pas aux neurones d’ajuster efficacement la taille du champ réceptif ni de modéliser les dépendances entre canaux lors des phases de propagation avant et arrière visant à optimiser le réseau. Dans cet article, nous proposons un réseau résiduel amélioré à noyau spectrales-spatiales adaptatif basé sur l’attention (A²S²K-ResNet), intégrant une attention spectrale, afin de capturer des caractéristiques spectrales-spatiales discriminantes pour la classification des HSI dans une optique d’apprentissage end-to-end. Plus précisément, le réseau proposé apprend des noyaux de convolution 3D sélectifs pour extraire conjointement des caractéristiques spectrales-spatiales à l’aide de blocs résiduels 3D améliorés, tout en adoptant un mécanisme d’ajustement efficace des caractéristiques (EFR) pour améliorer les performances de classification. Des expériences étendues ont été menées sur trois jeux de données hyperspectrales bien connus : IP, KSC et UP. Les résultats montrent que le A²S²K-ResNet proposé obtient des performances supérieures en termes d’exactitude globale (OA), d’exactitude moyenne (AA) et de coefficient Kappa par rapport aux méthodes existantes. Le code source sera mis à disposition à l’adresse suivante : https://github.com/suvojit-0x55aa/A2S2K-ResNet.