2025年度本项目主要研究将深度学习方法应用于高光谱影像分类任务，利用深度学习模型的深层特征提取能力，解决高光谱影像分类问题。本课题主要针对高光谱影像波段间冗余信息去除和训练样本不足问题，对深度学习模型原理和方法开展研究，通过提高深度学习模型深层特征提取能力和小样本特征提取能力，在控制模型复杂度的前提下，提高分类精度。具体研究内容包括：（1）提出一种多尺度循环卷积网络，利用三维卷积操作实现空间光谱上下文特征提取，同时利用循环单元实现宽波段和窄波段下上下文特征提取，实现冗余信息去除；（2）提出一种轻量空谱注意力网络，利用三维注意力机制在减小模型参数量的同时提高模型深层特征提取能力，实现分类精度提高。2025年度本项目在以下方面开展了相关研究工作：
1.提出了一种两阶多维自编码器网络（Two-stage Multi-dimensional Convolutional Stacked Autoencoder, TMC-SAE），首先，该网络将特征提取网络设计为两阶结构，每阶网络单独进行训练，从而降低网络训练深度，避免模型发生过拟合，训练完成后将两阶网络级联构成深层网络；其次，在每阶网络中构建堆叠自编码器结构，使模型能够通过无监督训练利用无标签数据进行学习，从而充分提取数据特征；最后，在两阶网络中利用全连接、二维卷积和三维卷积操作实现多维特征提取和融合。在五个标准数据集上对模型分类性能进行实验验证。相关论文发表在International Journal of Advanced Computer Science and Applications期刊上。
TMC-SAE模型结构
2.本课题提出一种轻量空谱注意力网络（Lightweight Spatial-Spectral Attention Dense Network, LS2ADN），首先，基于三维卷积操作提出三维注意力模块，实现空间光谱注意力机制；其次，设计三维密集连接模块，实现不同深度空间光谱特征融合；最后，将注意力模块和密集连接模块级联构成编码器，通过构建非对称堆叠自编码器，使模型通过无监督训练学习非标签样本特征，同时通过简化解码器结构，增强编码器特征提取能力。注意力机制和密集连接结构能够在不增加模型训练参数数量的基础上，提高模型特征提取能力。在五个标准数据集上对模型分类性能进行实验验证。相关论文发表在Multimedia Tools and Applications期刊上。
轻量空谱注意力网络结构