Spatial–Spectral Squeeze-and-Excitation Residual Network for Hyperspectral Image Classification
Li Wang1, Jiangtao Peng1, and Weiwei Sun2*
文章目录
一、提出的问题？
高光谱图像中的频段有冗余甚至嘈杂的地方，相邻频段是高度相似的，这样在特征分类时，作者通过引入注意力机制和残差网络的生成SSSERN网络，同时对空间和光谱应用注意力机制，突出重点信息，增加分类精度。
二、网络结构
图(a)是光谱注意力机制结构图，对于HWC的HSI Cube首先做一次Globalaveragepooling，将空间结构压缩，凸显光谱机构，通过两层全连接，第一层**函数relu，第二层**函数sigmoid，将值固定在(0,1)之间，获得有用信息的权值，再和原来的额HSI Cube相乘，将生成的权值附加到Cube光谱维度上，最后一步是channel wise mutiply，按光谱维度相乘。
图(b)空间注意力机制结构图，首先对HSI Cube做一个filter=1的2D卷积，压缩光谱维度，将空间信息提取出来，再过一个sigmoid函数，值映射到(0,1)区间，获得空间维度的权值后再和HSI Cube按空间维度相乘。
图©做的就是空谱联合的注意力机制
将空谱联合注意力和残差网络结合，形成最终的网络SSSERN
总结
作者创新在于提出空谱联合注意力和残差网络相结合，通过残差网络解决梯度弥散和梯度爆炸的问题，通过空谱联合注意力机制解决光谱冗余和噪音干扰问题，提高了分类精度