现有的基于深度学习的高光谱图像 (HSI) 分类工作仍然受到固定大小感受野的限制,导致难以针对具有各种尺寸和任意形状的地面物体获取独特的光谱空间特征。同时,许多先前的工作忽略了 HSI 中的非对称光谱空间维度。为了解决上述问题,我们提出了一种多阶段搜索架构,以克服非对称光谱空间维度并捕获重要特征。首先,光谱空间维度上的非对称池化最大限度地保留了 HSI 的本质特征。然后,具有可选感受野范围的 3D 卷积克服了固定大小的卷积核的限制。最后,我们将这两个可搜索操作扩展到每个阶段的不同层以构建最终架构。在 Indian Pines 和 Houston University 等两个具有挑战性的 HSI 基准上进行了大量实验,结果证明了所提出方法的有效性,与相关工作相比具有更优越的性能。
![arXiv:2302.11868v1 [cs.CV] 2023 年 2 月 23 日PDF文件第1页](/bimg/7/7057ab6a22bdefb7ac31e6ebd38c2faac0d00a43.webp)
![arXiv:2302.11868v1 [cs.CV] 2023 年 2 月 23 日PDF文件第2页](/bimg/5/59801c57726ae031c26cdf31d1d2d06211dab58c.webp)
![arXiv:2302.11868v1 [cs.CV] 2023 年 2 月 23 日PDF文件第3页](/bimg/d/dc837cf7a8eea0dd65d043686cd997220acaeedf.webp)
![arXiv:2302.11868v1 [cs.CV] 2023 年 2 月 23 日PDF文件第4页](/bimg/1/1292338e0f3114e2a717eec46508b8ffd0cf27a7.webp)
![arXiv:2302.11868v1 [cs.CV] 2023 年 2 月 23 日PDF文件第5页](/bimg/7/73205197373ac23e8468e97308c6f40cddeac8f6.webp)
