{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,22]]，“日期-时间”：“2024-06-22T01:36:20Z”，“时间戳”：1719020180527}，“引用-计数”：52，“发布者”：“MDPI AG”，“问题”：“2”，“许可证”：[{“开始”：{-date-parts”：[2019,16]]，9-01-16T00:00:00Z“，”时间戳“：1547596800000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100012166”，“name”：“国家重点研发计划”，“DOI-asserted-by”：“publisher”，“award”：[“2016YFB0502502”]}，{“name”:“高级研究领域基础项目”，“adward”：[”614023804016HK03002“”，“2017KW-006”]}]，“内容域”：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“遥感”]，“抽象”：“通常以三维格式显示的高光谱图像（HSI）数据为三维网络同时提取光谱和空间特征提供了机会。在本文中，我们提出了一种用于HSI分类的新型端到端三维密集卷积网络（MSDN-SA）。提出的MSDN-SA利用三维扩展卷积同时捕获不同尺度的光谱和空间特征，并将所有三维特征地图紧密连接在一起。此外，还引入了光谱关注机制，以增强光谱特征的可分辨性，从而提高了训练模型的分类性能。在三个HSI数据集上的实验结果表明，我们的MSDN-SA在HSI分类方面取得了具有竞争力的性能<\/jats:p>“，”DOI“：”10.3390\/rs11020159“，”type“：”journal-article“，”created“：{”date-parts“：[[2019,17]]，”date-time“：”2019-01-17T16:30:27Z“，”timestamp“：1547742627000}，”page“：前缀“：”10.3390“，“卷”：“11”，“作者”：[{“给定”：“贝”，“家庭”：“方”，“序列”：“第一”，“隶属关系”：[}“名称”：“西北工业大学计算机科学学院，西安710129，中国”}，{“姓名”：“比利时布鲁塞尔1050年布鲁塞尔弗里杰大学电子与信息学系”}]}，}“给定的”：“应”，“家族”：“李”，“sequence”：“附加”，“隶属关系”：[｛“name”：“西北工业大学计算机科学学院，西安710129”｝，｛“name”：“国家空间微波科学技术重点实验室，西安710000”｝]｝，｛“given”：“郝奎”，“family”：“Zhang”，“sequence”：“附加”，“隶属关系”：[｛“name”：“西北工业大学计算机科学学院，西安2019an 710129，中国“}]}，{“given”：“Jonathan Cheung-Wai”，“family”：“Chan”，“sequence”：“additional”，“affiliation”：[{“name”：“Department of Electronics and Informatics，Vrije Universiteit Brussel，Brussel1050，Belgium”}]]，“member”：“1968”，“published on”：{“date-parts”：[2019,16]]}，“reference”：[{“key”：“ref_1”，“doi-asserted-by”：“crossref”，《首页》：“2094”，“doi”：“10.1109\/JSTARS.2014.2329330”，“article-title”：“基于深度学习的高光谱数据分类”，“volume”：”7“，“author”：“Chen”，“year”：“2014”，“journal-title“：”IEEE J.Sel.Top.Appl.Earth Obs.Remote Sens.“}，{”key“：”ref_2“，”doi-assert-b y“：”交叉参考“，“首页”：“123”，“DOI”：“10.1016\/j.rse.2015.04.032”，“article-title”：“利用高光谱植被指数和混合反演方法估算作物LAI”，“体积”：“165”，“作者”：“梁”，“年份”：“2015”，“期刊标题”：“遥感环境”}，{“key”：“ref_3”，”DOI-asserted-by“：”crossref“，“非结构化”：“Yokoya，N.，Chan，J.，and Segl，K.（2016）。使用模拟enmap和sentinel-2图像进行矿物制图的分辨率增强高光谱数据潜力。遥感，8.”，“DOI”：“10.3390\/rs8030172”}，{“key”：“ref_4”，“DOI-asserted-by”：“crossref”，“first page”：：“高光谱遥感数据分析和未来挑战”，“卷”：“1”，“作者”：“广场”，“年份”：“2013年”，“期刊标题”：“IEEE Geosci.remote Sens.Mag.”}，{“key”：“ref_5”，“doi-asserted-by”：“crossref”，“unstructured”：“Landgrebe，D.A.（2003）.多光谱遥感信号理论方法，Wiley，第3章.”，“doi”：“10.1002\/0471723800”}，{“key”：“ref_6”，“doi-asserted-by”：“crossref”，“首页”：“1579”，“doi”：“10.1109\/TGRS.2017.2765364”，“article-title”：“光谱空间高光谱图像分类的最新进展：概述和新指南”，“volume”：《56》，“author”：“He”，《year》：“2018”，“journal-title》：“IEEE Trans.Geosci.Remote Sens.”}，{“key”：”ref_7“doi-sserted-by“：“crossref”，“first page”：“361”，“DOI”：“10.1016/S0031-3203（99）00215-0”，“文章标题”：“高光谱图像分类的基于线性约束距离的判别分析”，“volume”：“34”，“author”：“Du”，“year”：“2001”，“journal title”：“Pattern Recognicet.”}，{“key”：“ref_8”，“DOI asserted by”：“crossref”，“first page”：“2112”，“DOI”：“10.1109\/TGRS.2008.916629”，“article-title”：“使用改进的k-NN技术对遥感图像进行监督分类”，“volume”：“46”，“author”：“Samaniego”，“year”：“2008”，“journal-title“：”IEEE Trans.Geosci.Remote Sens.“}，{“key”：”ref_9“，”doi-asserted-by“：”crossref“，”first page“：”810“，”doi“：”10.1109\/36.602523“，”article-title“：“提高精度的分层最大似然分类”，“卷”：“35”，“作者”：“Ediriwickrema”，“年份”：“1997”，“期刊标题”：“IEEE Trans.Geosci.Remote Sens.”}，{“键”：“ref_10”，“首页”：“4085”，“文章标题”：”使用带主动学习的多项式logistic回归进行半监督高光谱图像分割“，卷”：“48”，“author”：“Li”，“year”：“2010”，“journal-title”：“IEEE Trans.Geosci.Remote Sens.”}，{“key”：“ref_11”，“doi-asserted-by”：“crossref”，”first page“：”4605“，”doi“：”10.1109\/JSTARS.2017.2720259“，”article-title“：”Spectral\u2013高光谱图像分类空间旋转林“，”volume“：“10”，”author“：”Xia“，”year“：”2016“，”journal-title标题“：”IEEE J。选择。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”first page“：“2999”，”doi“：”10.1016\/j.rse.2008.02.011“，”article-title“：”使用机载高光谱图像进行生态环境制图的随机森林和基于adaboost树的集合分类和光谱带选择评估“，”volume“：112”，“author”：“Chan”，“year”：“2008年，《新闻标题》：《遥感环境》。“}，{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”first page“：“2276”，”doi“：”10.1109\/TGRS.2012.2209657“，”article-title“：”基于结构稀疏逻辑回归和三维小波纹理特征的高光谱图像分类“，”volume“：key“：”ref_14“，”doi asserted by“：”crossref“，”首页“：”90“，”doi“：”10.1016\/j.neucom.2016.11.034“，”文章标题“：”三维离散小波变换和马尔可夫随机场的集成用于高光谱图像分类“，”卷“：”226“，”作者“：”Cao“，”年份“：”2017“，”期刊标题“：”神经计算“}，{”key“：”ref_15“，”doi asserted by“：”crossref“，”first page“：”1118“，”DOI“：”10.1109\/TGRS.2014.2334608“，“article-title”：“基于Gabor特征的高光谱图像分类协作表示”，“volume”：“53”，“author”：“Jia”，“year”：“2015”，“journal-title“：”IEEE Trans。地质科学。遥感“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”first page“：“5039”，”doi“：”10.1109\/TGRS.2011.2157166“，“article-title”：“基于像素的高光谱图像分类的三维gabor小波”，“volume”：“49”，“author”：“Shen”，“year”：“2011”，“journal-title“：”IEEE Trans.Geosci.Remote Sens.“}”，{“key”：”ref_17“，”doi-as由“：”插入crossref“，”first page“：”2467“，”DOI“：”10.1109\/TGRS.2014.2360672“，”article-title“：”基于三维散射小波变换的高光谱图像分类“，”volume“：“53”，”author“：”Tang“，”year“：”2015“，”journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_18“，”doi-asserted-by“：”crossref“，”first page“：“2381”，”doi“：”10.1109\/JSTARS.2015.2388577“，”article-title“：”Spectral\u2013基于深度信念网络的高光谱数据空间分类“，”volume“：_19“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.和Sun，J.（2016年1月27日\u201330）。用于图像识别的深度残差学习。2016年IEEE计算机视觉和模式识别会议论文集，美国内华达州拉斯维加斯”，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“ref_20”，“DOI-asserted-by”：“crossref”，“first-page”：“436”，“DI:”10.1038\/nature14539“，“article-title”：“Deep learning”，“volume”：”521“author”：“Lecun”，“year”：“2015”，“journal-title“：”Nature“}”，{键“：”ref_21“，“非结构化”：“Goodfellow，I.，Bengio，Y.，and Courville，A.（2016）。《深度学习》，麻省理工学院出版社。“}，{”key“：”ref_22“，”doi-asserted-by“：”crossref“，”unstructured“：”Peterson，H.、Gustafsson，D.和Bergstrom，D.（2016年1月12日\u201315）。使用深度学习的高光谱图像分析\u2014A综述。2016年第六届国际图像处理理论、工具和应用会议论文集，芬兰奥卢。“，doi”：“10.1109\/IPTA.2016.7820963“}，{“key”：“ref_23”，“doi-asserted-by”：“crossref”，“first page”：”4729“，”doi“：”10.1109\/TGRS.2017.2698503“，”article-title“：”学习和传输深部联合光谱\u2013高光谱分类空间特征“，”volume“：”55“，”author“：”Yang“，”year“：”2017“，”journal title“：“IEEE Trans.Geosci.Remote Sens.”}，}“key“：”ref_24“，”doi-asserted-by“：”crossref“，”first-page“：”6232“，”doi“：”10.1109\/TGRS.2016.2584107“，”article-title“：”基于卷积神经网络的高光谱图像深度特征提取和分类“，”volume“：“54”，”author“：”Chen“，”year“：”2016“，”journal-title”：“IEEE Trans。地质科学。遥感。“}，{”key“：”ref_25“，”doi-asserted-by“：”crossref“，”unstructured“：”Li，Y.，Zhang，H.，and Shen，Q.（2017）。利用三维卷积神经网络对高光谱图像进行光谱空间分类。遥感，9.“，”doi“：”10.3390\/rs9010067“}”，{Gao，Q.，Lim，S.和Jia，X.（2018）。基于卷积神经网络和多特征学习的高光谱图像分类。遥感，10.“，”DOI“：”10.3390\/rs10020299“}，{“key”：“ref_27”，“DOI-asserted-by”：“crossref”，“first page”：：“5408”，“DOI”：“10.1109\/TGRS.2018.2815613”，“article-title”：“带深度学习模型的高光谱图像分类”，“volume”：”56“，“author”：“Yang”，“year”：“2018”，“journal-title“：”IEEE Trans.Geosci.Remote Sens.“}”，{”key“：“参考28”，“doi-asserted-by“：”crossref“，”first page“：”4073“，”doi“：”10.1109\/JSTARS.2016.2517204“，”article-title“：”基于深度自动编码器的高光谱图像光谱空间分类“，”volume“：“9”，”author“：”Ma“，“year”：“2016”，“journal-title”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{“key”：“ref_29”，“doi-asserted-by”：“crossref”，“首页”：“108”，“doi”：“10.1016\/j.isprsjprs.2017.11.003”，“article-title”：“MugNet:使用有限样本进行高光谱图像分类的深度学习”，“volume”：”145“，”author“：”Pan“，“year”：“2018”，“journal-title“：”ISPRS j.Photogram.Remote Sens“}“，{”key“：”ref_30“，“doi-asserted-by“：”crossref“，”unstructured“：”He，Z.，Liu，H.，Wang，Y.，and Hu，J.（2017）。基于生成对抗网络的半监督学习用于高光谱图像分类。遥感，9.“，”DOI“：”10.3390\/rs9101042“}，{“key”：”ref_31“，”DOI-asserted-by“：”crossref“，”first page“：”847“，“DOI”：”10.1109\/TGRS.2017.2755542“，”article-title“：”Spectral\u2013高光谱图像分类空间残差网络：三维深度学习框架“，”volume“：“56”，“author”：“Zhong”，“year”：“2018”，“journal-title”：“”IEEE传输。地质科学。遥感。“}，{”key“：”ref_32“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，G.，Liu，Z.，Laurens，V.D.M.，and Weinberger，K.Q.（2017年1月21日\u201326）。密集连接卷积网络。美国HI檀香山IEEE计算机视觉和模式识别会议论文集。“doi”：“10.1109\/CVPR.2017.243”}，”{“key”：“ref_33“，“首页”：“640”，“文章标题”：“语义分割的完全卷积网络”，“卷”：“39”，“作者”：“长”，“年”：“2014”，“期刊标题”：《IEEE Trans。模式分析。机器。智力。“｝，｛”key“：”ref_34“，”doi asserted by“：”crossref“，”nonstructured“：”Sermanet，P.，Kavukcuoglu，K.，Chintala，S.，and Lecun，Y.（2013年1月23日\u201328）。无监督多阶段特征学习的行人检测。美国俄勒冈州波特兰市IEEE计算机视觉和模式识别会议论文集。“，”doi“：”10.1109\/CVPR.2013.465“｝，{“key”：“ref_35”，“doi-asserted-by”：“crossref”，“unstructured”：“Hariharan，B.，Arbelaez，P.，Girshick，R.，and Malik，J.（2015年1月7日\u201312）。用于对象分割和细粒度定位的超列。2015年IEEE计算机视觉和模式识别研讨会（CVPRW）会议记录，美国马萨诸塞州波士顿”，“doi”：“10.1109\/CVPR.2015.7298642”}，{“key”：“ref_36”，“unstructured”：“Ioffe，S.和Szegedy，C.（2015年1月6日\u201311）。批量规范化：通过减少内部协变量偏移来加速深层网络训练。第32届国际机器学习会议论文集（ICML 2015），法国里尔。”}：“Glrot，X.，Bordes，A.，and Bengio，Y.（2011年1月11日\u201313）。深度稀疏整流神经网络。AISTATS论文集，佛罗里达州劳德代尔堡。”：“Lecun”，“year”：“1998”，“journal-title”：“Proc.IEEE”}，{“key”：“ref_39”，“unstructured”：“Mnih，V.，Heess，N.，Graves，A.，and Kavukcuoglu，K.（2014年1月8日\u201313）。视觉注意的递归模型。第27届神经信息处理系统国际会议论文集，美国加利福尼亚州蒙特利尔”}：“Xu，K.，Ba，J.，Kiros，R.，Cho，K.、Courville，A.、Salakhudinov，R.、Zemel，R.和Bengio，Y.（2015年1月6日\u201311）。展示、出席和讲述：用视觉注意力生成神经图像字幕。法国里尔国际机器学习会议记录。”}，{“key”：“ref_41”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhu，Y.，Groth，O.，Bernstein，M.，and Fei-Fei，L.（2015年1月7日\u201312）。Visual7w：图像中的固定问答。计算机视觉与模式识别会议记录，马萨诸塞州波士顿”，“DOI”：“10.1109\/CVPR.2016.540”}，{“key”：“ref_42”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yang，Z.，He，X.，Gao，J.，Deng，L.和Smola，A.（2016年1月27日\u201330）。图像问答的堆叠注意力网络。美国内华达州拉斯维加斯计算机视觉与模式识别会议记录。”，“DOI”：“10.1109\/CVPR.2016.10”}，｛“key”：“ref_43”，“DOI断言由”：“crossref”，“非结构化”：“Nam，H.，Ha，J.W.和Kim，J.（2017年1月21日\u201326）。用于多模式推理和匹配的双注意网络。计算机视觉和模式识别（CVPR）会议记录，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.232”}，{“key”：“ref_44”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hu，J.，Shen，L.，and Sun，G.（2017）.挤压激励网络.arXiv.”，“DOI”：“10.1109\/CVPR.2018.00745”}，{“key”：“ref_45”，“DOI-asserted-by”：“crossref”，“unstructured”：“Fu，J..，Zheng，H.，Mei，T.（2017年1月21日\u201326）。仔细观察才能看得更清楚：用于细粒度图像识别的递归注意卷积神经网络。IEEE计算机视觉和模式识别会议论文集（CVPR），美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.476”}，{“key”：“ref_46”，“unstructured”：“Li，H.，Xiong，P.，An，J.，and Wang，L.（2018）。语义分割的金字塔注意网络。arXiv.”}、{“密钥”：“ref_47”，“DOI-asserted-by”：“crossref”，“非结构化”：“Wang，F.、Jiang，M.、Qian，C.、Yang，S.、Li，C.，Zhang，H.、Wang，X.和Tang，X..（2017年1月21日\u201326）。用于图像分类的剩余注意网络。IEEE计算机视觉和模式识别（CVPR）会议记录，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.683”}，{“key”：“ref_48”，“DOI-asserted-by”：“crossref”，“unstructured”：“Newell，A.，Yang，K.，and Deng，J.（2016年1月8日\u201316）用于人体姿态估计的堆叠沙漏网络。《欧洲计算机视觉会议记录》，荷兰阿姆斯特丹。“，”DOI“：”10.1007\/978-3-319-46484-8_29“}，{”key“：”ref_49“，”unstructured“：”Yu，F.，and Koltun，V.（2016年1月2日\u20134）。通过膨胀卷积进行多尺度上下文聚合。波多黎各圣胡安国际学习代表大会论文集。“}”，{“key”：“ref_50”，“首页”：“1”，“article-title”：“”使用增强集成学习和条件随机场对有限标记训练样本的高光谱图像分类”，“卷”：“8”，“作者”：“李”，“年份”：“2015年”，“期刊标题”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{“key”：“ref_51”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.和Sun，J.（2015年1月7日\u201313）。深入研究整流器：在图像网络分类方面超越人类水平的性能。智利圣地亚哥国际计算机视觉会议论文集。”，“doi”：“10.1109\/ICCV.2015.123“}，{”key“：”ref_52“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”10.1109\/TGRS.2016.2607755“，”article-title“：”带典型相关森林的高光谱图像分类“，”volume”：“55”，“author”：“Xia”，“year”：“2017”，“journal-title”：“IEEE Trans.Geosci.Remote Sens.”}]，“containerti-title”：[“遥感”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/2072-4292\/11\/2159\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,6,15]]，”date-time“：“2024-06-15T14:10:10Z”，“timestamp”：171846061000}，“score”（分数）：1，“resource”（资源）：{“primary”（主资源）：}“URL”（URL）：“https:\/\/www.mdpi.com\/2072-4292\/11\/2\/159“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2019,1,16]]}，“参考计数”：52，”日志发布“：\\/dx.doi.org\/10.3390\/rs11020159“，”关系“：{}，”ISSN“：[”2072-4292“]，”ISSN-type“：[{”value“：“2072-4292”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2019,1,16]]}}