【论文笔记】Spectral-Spatial Attention Network for Hyperspectral Image Classification
这篇论文提出了一种名为SSAN（Spectral-Spatial Attention Network）的深度学习模型，用于 Hyperspectral Image Classification（HSI分类）。SSAN由光谱模块和空间模块组成，并引入了注意力机制，以更好地捕捉光谱和空间特征。论文详细描述了实验设置，包括数据预处理（如最大最小值标准化、均值减除和数据增强）、模块配置、对比实验以及不同参数下的分类精度。实验结果表明，SSAN在多个数据集上表现出较高的分类精度和较快的训练/测试时间效率。
H. Sun等，提出了一种名为"Spectral–Spatial Attention Network"的网络架构，该架构在处理高光谱图像分类任务中表现出色。该研究发表于IEEE Transactions on Geoscience and Remote Sensing期刊，具体为第58卷第5期的3232-3245页，2020年5月出版。文章的唯一标识符为10.1109/TGRS.2019.2951160。
1.贡献点
基于光谱模块与空间模块的整合，首先提出了一种SSN（Spectral-Spatial Network）网络。在此框架下，进一步引入了attention module，从而提出了一种改进型SSAN网络。
2.论文细节
本文对文献的分类综述挺好的，文章思想也很简单。
- SSAN（3D卷积）
Attention module
Non-local Neural Networks及自注意力机制思考
可以认为该机制即为Non-local注意力机制。
- 不同数据集的超参数细节
3.实验
数据预处理：首先，对数据进行最大-最小值标准化处理；其次，从每个光谱波段中减去均值；最后，执行数据增强操作，包括水平/垂直翻转、90度、180度、270度旋转，经过这些操作后，训练数据量将增加至原来的6倍。
“实验一”：确定spectral module（M）和spatial module（N）的个数。
实验二：判断在确定spectral module和spatial module之后是否引入attention module，同时涉及的模块包括spc、spa1和spa2。
“实验三”：与多种2-D CNN、SMBN、DFFN、DHCNet、SSRN、Spectral module、Spatial module、SSN等算法的对比实验。其中，patch size为7，batch size为100，epoch为200，使用Adam optimizer。本算法采用学习率lr=0.01，每20个epoch后逐步减半，其余算法则按照原文设定。训练集占10%，验证集和测试集各占2%。文章不仅展示了分类精度和分类图结果，还比较了不同算法在各数据集上的训练时间和测试时间。
“实验四”：本算法在不同patch size下的分类精度表现如何。
“实验五”：提出算法不同training ratio的分类精度。
（为啥patchsize不用9 * 9，而要用7 * 7呢，9 * 9精度比较高呀）
4.单词（我认识你，永远记得你）
这篇文章看完仅需半天时间。
今日推荐：生活多美好：It’s a Wonderful Life (1946)
Every man’s life interacts with numerous other people’s lives.
2020年5月29日15:12:22
