用于高光谱图像分类的自适应交叉注意力驱动的空间光谱图卷积网络

最近，图卷积网络（GCNs）被开发出来，以探索像素之间的空间关系，实现高光谱图像（HSI）更好的分类性能。然而，这些方法未能充分地利用HSI数据中光谱带之间的关系。因此，我们提出了一个自适应交叉注意驱动的空间-光谱图卷积网络（ACSS-GCN），它由一个空间GCN（Sa-GCN）子网络、一个光谱GCN（Se-GCN）子网络和一个图交叉注意融合模块（GCAFM）组成。具体来说，Sa-GCN和Se-GCN是通过对空间像素之间和光谱带之间的相关性进行建模，分别提取空间和光谱特征。然后，通过将注意力机制整合到图的信息聚合中，设计了GCAFM，包括三个部分，即空间图注意力块、光谱图注意力块和融合块，以融合空间和光谱特征并抑制Sa-GCN和Se-GCN的噪声干扰。此外，还引入了自适应图的概念，在训练过程中通过反向传播探索一个最佳图。在两个HSI数据集上的实验表明，提出的方法比其他分类方法取得了更好的性能。

《Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network for Hyperspectral Image Classification》

论文地址:http://arxiv.org/abs/2204.05823v1