要約
高光譜画像（HSI）は、数百枚の連続した狭帯域が重ね合わされた形で、豊富なスペクトル・空間情報を持つ。しかしながら、ノイズや波長間の相関が存在するため、情報量の多いスペクトル・空間カーネル特徴の選択は困難である。従来、受容 field（RF）のサイズが固定された畳み込みニューラルネットワーク（CNN）を用いてこの問題に対処することが多い。しかし、このような手法では、順伝播および逆伝播によるネットワーク最適化の過程において、ニューロンが受容 field のサイズやチャネル間の依存関係を効果的に調整することができない。本論文では、エンドツーエンドの学習フレームワークにおいて、判別性の高いスペクトル・空間特徴を捉えることを目的として、スペクトルアテンションを導入したアテンションベースの適応的スペクトル・空間カーネルを備えた改良型残差ネットワーク（A²S²K-ResNet）を提案する。特に、提案手法は、改良された3次元ResBlockを用いて選択的な3次元畳み込みカーネルを学習し、スペクトル・空間特徴を統合的に抽出する。さらに、効率的な特徴再調整（EFR）機構を導入することで、分類性能の向上を実現している。本手法は、代表的な3つの高光譜データセット（IP、KSC、UP）を用いた広範な実験により検証され、従来の手法と比較して、全体精度（OA）、平均精度（AA）、およびカッパ係数（Kappa）において優れた分類結果を達成した。本研究のソースコードは、https://github.com/suvojit-0x55aa/A2S2K-ResNet にて公開される予定である。