近日，我院数据建模与智能计算研究团队发表在IEEE Transactions on Geoscience and Remote Sensing期刊(中科院一区、Top期刊)的题为“Feature-Grouped Network With Spectral–Spatial Connected Attention for Hyperspectral Image Classification”的研究论文新晋ESI高被引论文。该论文第一作者为我院2017级数学专业研究生郭文慧，通讯作者为曹飞龙教授，中国计量大学为唯一发表单位。

高光谱图像数据拥有成千上百个波段且存在冗余性，直接利用这些特征进行分类往往效果不佳。针对这一特点，自然地想了解在特征提取和降维过程中，到底哪个波段、哪个位置的特征更为有效？为此，论文设计了一种具有光谱-空间连续关注的特征分组网络( Feature-Grouped Network with Spectral-Spatial Connected Attention, FG-SSCA)，如图1所示。

图1：面向高光谱图像的光谱-空间连续关注的特征分组网络

网络由两个关键模块组成。首先，构造了光谱-空间连续关注模块（图2）用于连续地学习波段和空间上的“哪个”以及“哪里”是重要的空谱特征，并抑制不必要的高光谱图像特征，有效地增强信息流, 从而获得优异的性能。此外，构建了基于多个残差块的特征分组网络（图3）以获取高层空谱特征，这种特征分组策略能充分利用特征间的冗余性和差异性，捕获更为精细的特征，进而提高泛化性能。结合这些新思想，构造了一个高效的端到端的FG-SSCA深度学习框架，并在高光谱图像分类任务中效果显著。

图2：光谱-空间连续关注模块流程图

图3：特征分组网络流程图

该项研究成果得到国家自然科学基金项目(61672477、62006215)以及浙江省自然科学基金项目(LZ20F030001、LQ20F030016)等资助。

原文链接：

https://ieeexplore.ieee.org/abstract/document/9329095