近日，課題組亓林老師和碩士生岳夢伊，在遙感鄰域主流期刊IEEE GRSL發(fā)表了題為“Deep Attention-Guided Spatial–Spectral Network for Hyperspectral Image Unmixing”的學(xué)術(shù)論文。

基于深度學(xué)習(xí)的方法在高光譜圖像解混中被廣泛應(yīng)用，尤其是最近無監(jiān)督自編碼器網(wǎng)絡(luò)在高光譜圖像解混中取得了出色的表現(xiàn)。盡管一些現(xiàn)有的解混方法考慮了空間信息，但空間結(jié)構(gòu)的利用還不夠有效。在這篇論文中，我們提出了一種用于高光譜圖像解混的深度注意力引導(dǎo)的空間-光譜網(wǎng)絡(luò)（Deep Attention-Guided Spatial–Spectral Network），稱為DASS-Net。我們設(shè)計了一個鄰域空間注意力模塊，其中，中心像素的豐度特征動態(tài)加權(quán)了鄰域像素的粗粒度特征。此外，我們還引入了雙門控機制進(jìn)一步整合空間和光譜信息。實驗結(jié)果表明，DASS-Net在端元提取方面性能優(yōu)異，顯著優(yōu)于當(dāng)前主流方法。

論文鏈接：https://ieeexplore.ieee.org/abstract/document/10371391