论文部分内容阅读
近年来,高光谱以及高空间分辨率图像的地物和场景分类越来越热门。高光谱图像及高空间分辨率不仅包含大量的空间上下文语义信息,同时还带来了非常丰富的光谱信息。另外,由于高光谱图像数据立方体的高维度特性,以及其复杂的空间结构,增大了对高光谱图像进行特征提取的难度。卷积神经网络(CNNs)在高光谱图像(HSI)分类领域中得到了广泛应用,并在数据处理和特征提取中显现出优越的性能。然而,在每个土地覆盖区域的边缘,一个HSI立方体通常包含多个像素,这些像素的土地覆盖标签与中心像素不同,被称为干扰像素,会削弱光谱空间