基于CBAM-Res-HybridSN的高光谱图像分类研究

杨志文 张合兵 都伟冰 潘怡莎

基于CBAM-Res-HybridSN的高光谱图像分类研究

杨志文 张合兵*都伟冰 潘怡莎

（河南理工大学测绘与国土信息工程学院，焦作 454003）

为了充分利用高光谱图像的“空间-光谱”信息，提高小样本训练数据下的分类精度，文章提出了一种新型卷积注意力（Convolutional Block Attention Module，CBAM）残差单元的混合卷积神经网络（CBAM-Res-HybridSN），以解决高光谱图像小样本分类问题。该模型通过深度可分离卷积层和残差结构来构建深层混合卷积神经网络，在不增加计算机开销的同时，增强对“空间-光谱”鉴别性特征的提取能力；模型还引入了卷积注意力模块，既实现了突出重要特征，同时对冗余和噪声信息也进行了抑制，在小样本数据下提高了分类精度。为了验证方法的有效性，选择雄安新区（马蹄湾村）和DFC2018 Houston两组公开高光谱数据集进行了对比试验，当选择标记样本的5%作为训练样本时，分类总体精度分别为99.34%和96.14%。结果表明，所提方法在小样本数据下保证了更高的分类精度。

高光谱图像 注意力机制 卷积神经网络 残差结构 小样本学习 遥感应用

0 引言

高光谱图像（即同时承载光谱特征和空间特征的连续遥感影像）蕴藏着地物大量的空间和光谱信息，被广泛的应用于农业遥感、环境监测、城市规划和军事探测等领域[1]。因高光谱图像拥有大量的光谱波段，可以利用其图像特点对空-谱特征[2]进行联合提取，实现此类图像的高精度分类。但是，高光谱图像具有丰富信息量的同时，也伴随着数据冗余和噪声干扰等问题[3]，甚至在训练样本数不足的情况下容易出现休斯（Hughes）现象[4]，导致分类精度降低。因此，减少光谱数据间的冗余特征[5]和噪声干扰[6-7]，增强小样本情况下的特征提取能力，成为利用高光谱图像进行高精度遥感分类的首要任务。

目前，基于机器学习的传统分类算法，如支持向量机（Support Vector Machine，SVM）[8]、随机森林(Random Forest，RF)[9]、K最邻近算法(K-Nearest Neighbor，KNN)[10]等，在缺少深层特征信息提取的情况下，分类效果往往难以满足实际需求。近年来，以卷积神经网络为代表的深度学习算法的提出，为高光谱图像的分类工作提供了新的思路[11-13]，并取得了显著的研究成果，例如：文献[14]在深度神经网络（DNN）基础上，利用不同尺寸的卷积核构成多尺度三维深度卷积神经网络（M3D-DCNN），通过端对端的方式联合学习空-谱特征，在大规模数据集上取得了较好的结果；文献[15]提出一种深度金字塔残差网络（pRes-Net），通过逐渐增加特征图维度的方式不断提取特征信息，验证了深层残差网络能够有效提升模型的泛化能力，但其大大的增加了计算机的开销；文献[16]提出端到端的光谱-空间残差网络（SSRN），从光谱和空间特征两种角度出发，设计了一种光谱和空间残差块对网络上下文学习区别特征，验证了从空间和光谱两个维度分别进行特征学习能够有效提高分类精度；文献[17]提出2D-3D混合卷积网络（HybridSN），首先通过三维卷积层融合特征信息，之后再使用多层二维卷积层对获取的空-谱特征进行处理，验证了混合卷积网络在遥感影像上特征信息提取的潜力；文献[18]通过构建一种卷积注意力模块（CBAM），使网络可在两个独立维度上对有效特征信息进行处理，实现特征信息的自适应优化，同时验证了CBAM结构对神经网络分类精度提高的普适性；文献[19]通过构建3D卷积神经网络来提取高光谱图像特征信息，并在微调策略支持下融合特征信息完成分类任务。上述研究中的传统机器学习分类方法往往无法深度提取特征信息，导致分类精度不足，难以满足遥感分类任务的实际需求。同时卷积神经网络虽可以提高分类精度，但为了保证其高精度，需要大量的训练样本，忽略了小样本学习分类问题的实际需求。因此，增强特征信息提取能力，提高小样本数据分类精度，成为深度学习网络亟待解决的问题[20]。

针对小样本数据分类精度不高的问题，本文在混合卷积网络（HybridSN）模型启发下，提出了一种引入新型卷积注意力残差单元的混合卷积神经网络（CBAM-Res-HybridSN），在残差结构的思想上引入CBAM注意力模块，可增强地物鉴别性特征的提取能力；并使用深度可分离卷积层代替2D卷积层，减少网络参数量和计算量。该新型网络模型能够在小样本训练数据下，不增加计算机运算开销的同时，对上下文特征进行自适应连续学习，提高了对地物的区别能力，达到了更佳的分类效果。

1 研究方法与原理

1.1 深度可分离卷积

传统卷积神经网络由输入层、卷积层、池化层、激活函数和全连接层构成[21]，其卷积核尺寸过大和卷积层数加深都会导致模型参数量增多，增加计算量。Howard等[22]在移动端设备上验证了深度可分离卷积神经网络的轻量化，深度可分离卷积[23]由深度卷积（Depthwise convolution）和1×1的逐点卷积（Pointwise convolution）两部分的组成（见图1）。

图1 深度可分离卷积网络结构

由图1所示，当处理维度为f×f的特征图（其中f为输入特征图的高度和宽度，为数据输入通道数），数据的输出通道数为时，设定卷积核尺寸为k×k（k为卷积核的宽度和高度），得到一个维度为f×f的特征图，若按照普通卷积模式进行运算，卷积网络的参数量1为

图1中，深度可分离卷积将普通卷积操作分解为个卷积核尺寸为k×k的深度卷积和个1×1的逐点卷积。假设输入特征图的维度为f×f经过深度卷积操作后得到k×k的特征图，再经过逐点卷积操作得到f×f的特征图，深度卷积的参数量3和逐点卷积参数量4之和为深度可分离卷积的参数量2，计算公式为

由式（1）～（2），可以推出普通卷积操作和深度可分离卷积之间的参数量比值为

1.2 CBAM残差单元的混合卷积神经网络模型

本文提出的模型主要用于小样本数据下的高光谱图像分类，克服机器学习分类方法对特征信息挖掘深度不够和深层卷积神经网络在小样本数据下网络退化与过拟合等问题。

该模型首先通过三层不同尺寸卷积核的3D卷积层对影像特征信息进行多尺度融合提取，以不同尺寸感受野角度深层筛选特征信息，将获得的特征图进行尺寸变化，输入至CBAM注意力残差单元。残差结构以跳跃链接的形式将单元输入端与输出端进行叠加，然后进行激活，通过构造出特征信息之间恒等映射的方式来降低信息损失，解决网络退化问题，提高模型分类精度；CBAM注意力残差单元作用于每个卷积层上，在卷积层进行特征提取时，注意力残差单元通过明确特征信息在通道和空间上的权重关系来自适应地校准各特征信息的重要性；最后，将得到的特征图输入至由深度可分离和平均池化层构建的残差结构中进一步处理特征信息，再通过全连接层和激活函数处理，实现对高光谱图像的分类。其构成及工作流程如图2所示。

图2 本文卷积神经网络模型

1.2.1 CBAM注意力机制的残差单元

本文将CBAM注意力模块与深度可分离卷积在残差结构的思想上进行组合，构成基于CBAM注意力的新型残差单元，其主卷积网络由两层深度可分离卷积层和两个CBAM注意力模块构成，由一层深度可分离卷积和一个CBAM注意力模块构成支网络，通过一条残差链接与主网络首尾相连对特征进一步提取。具体结构如图3所示。

图3 CBAM注意力残差单元结构

1.2.2 残差结构

为解决深层网络中梯度消失、网络退化等问题，加入残差结构，实现跳跃连接，完成对特征信息的合并再处理，缓解网络的退化现象并加速网络收敛[24]。

（a）普通卷积网络结构 （b）残差网络结构

图4为普通卷积网络和残差网络的结构示意图，相较于普通卷积结构，残差结构加入残差函数构成拟合函数，即

1.2.3 CBAM注意力机制

注意力机制被广泛应用于图像分类，以增强神经网络对输入特征某些局部信息的专注程度，运用机器学习的方式实现自适应校正特征信息权重值，以提取重要特征并抑制次要特征。为了充分利用空-谱特征，将空间和通道注意力相结合构成混合域注意力，其模块划分如图5所示。

图5 CBAM注意力模块

首先将特征图输入通道注意力模块，分别进入极大池化层和平均池化层得到每个通道的信息，将特征信息叠加处理得到通道注意力特征图c，计算公式为

将通道注意力模块输出的特征图c与最初特征图拼接得到特定特征图X，并输入到空间注意力模块，依次通过平均池化层和极大池化层，生成空间特征图avg和max，再通过1×1卷积层和激活函数，得到空间注意力特征s；接着与特定特征图X逐元素相乘，得到最终的特征图s，计算公式为

2 试验结果与分析

2.1 试验数据

为了评估所提方法的有效性，截取雄安新区（马蹄湾村）航空高光谱遥感影像和DFC2018 Houston高光谱影像的部分区域进行试验。马蹄湾村数据集于2017年由张立福团队制作，使用高分专项航空系统全谱段多模态成像光谱仪对雄安新区（马蹄湾村）进行拍摄成像；DFC2018 Houston数据集2018年由华盛顿Dr. Saurabh Prasad实验室制作公开，被用于IEEE GRSS数据融合竞赛。本文截取的数据集信息如表1所示，试验区位置如图6所示。

表1 截取数据集信息

Tab.1 Information table of intercepted dataset

图6 试验区位置示意

2.2 试验设计与评价指标

2.3 试验参数设置

2.3.1 空间邻域大小

对于高光谱图像，邻域像素之间往往具有相似的特征，它们属于同一物体的概率非常高。图像空间邻域大小即高光谱图像每次输送至卷积神经网络的图像尺寸。选择一个合适的空间邻域大小能够使模型充分学习图像的空间特征，同时避免地物目标识别错误，从而提高分类精度。

为探究空间邻域大小对分类结果的影响，将空间邻域大小分别设置为9×9、11×11、13×13、15×15和17×17，根据各自的分类结果（见表2和图7）来选取最优空间邻域大小。如图7所示，对于马蹄湾村和DFC2018 Houston数据集，当空间邻域大小为13×13时，精度达到最高，随后，精度开始下降。由表2可知，随着空间邻域大小的增加，训练时间和测试时间增加的幅度并不大，这得益于深度可分离卷积的参与，降低了模型的复杂度，所以在两组数据集上，将空间邻域大小13×13作为最优参数。

表2 不同空间邻域大小对分类结果的影响

Tab.2 Effect of different spatial sizes on classification results

图7 不同空间邻域大小对分类精度的影响

2.3.2 残差单元数量

残差单元的数量直接影响整个卷积神经网络模型的特征信息提取能力。若网络深度是浅层的，将不能有效地提取特征信息，而过于深层的网络则易出现梯度消失和过拟合现象，都将影响分类精度。

为探究残差单元数量对分类结果的影响，在空间邻域大小试验的基础上，将残差单元数量分别设置为1、2、3、4、5进行试验，根据分类结果来选取最佳残差单元数量。残差单元数量对于数据集分类的影响如表3所示，在两组数据集上，训练和测试时间并没有随着残差单元数量的增加而发生显著变化，这得益于残差结构端对端连接形成的恒等映射关系，因未引入冗余参数，节省了计算机训练开销。注意力残差单元的引入对于分类精度的提高是显著的。如图8所示，在马蹄湾村数据集上，当残差单元数为2时，获得了最佳精度；对于DFC2018 Houston数据集，当残差单元数为3时，获得了最佳的分类精度。但是，分类精度并不会随着残差单元数量的增加而一直升高，当参残单元数量超过最佳个数时，分类精度开始下降，表明设置合适的残差单元数量，是实现高精度分类的重要前提。

表3 残差单元数量对分类结果的影响

Tab.3 Effect of the number of residual units on the classification results

图8 残差单元数量对分类精度的影响

2.4 试验结果对比与分析

为了测试本文提出的CBAM-Res-HybridSN方法与其他几种卷积神经网络深度学习算法对不同数量训练样本的分类效果，选择标记样本的5%、10%、15%和20%作为马蹄湾村和DFC2018 Houston数据集的训练样本进行试验，总体分类精度结果如表4所示。对于少量的训练样本，SVM方法相较于深度学习方法表现最差；M3D-DCNN方法并没有出现因网络深度高于HybridSN法而分类结果更优的情况，说明多尺度的三维卷积深层网络在小样本训练数据中，易发生特征信息丢失；与pResNet和SSRN网络相比，CBAM-Res-HybridSN网络将注意力机制引入残差单元中，使模型能够提取更多的鉴别性特征，产生较高的分类精度。当训练样本量增加时，CBAM-Res-HybridSN方法在两组数据集中的分类效果仍为最好，分类效果较pResNet和SSRN方法略微提升。

表4 两个数据集不同样本量对各分类模型总体分类精度的影响

Tab.4 Effect of different sample sizes on two datas on the results of each classification model 单位：%

图9～10显示了训练样本量为标记样本的5%时，不同网络模型在马蹄湾村和DFC2018 Houston数据集上的分类结果，以及原始高光谱图像的真彩色图像及其相应的地面真实样本分布图。从分类图中可以清楚地看到，采用小样本训练数据时，SVM分类结果中会产生许多噪声点，导致错分，这是由于SVM法仅使用光谱特征进行分类，对空-谱特征的利用不足；M3D-DCNN结构在深层三维卷积神经网络的基础上改变了卷积核的尺寸和网络深度，从多尺度上提取特征信息，其噪声点相对SVM方法明显减少，分类精度显著提升；HybridSN结构相较于M3D-DCNN引入了2D-CNN网络，能够对特征信息进行尺寸变换，增加了从不同维度提取特征信息的能力，因此分类结果略微优于M3D-DCNN；增加残差结构的pResNet、SSRN和本文的CBAM-Res-HybridSN模型更好的克服了特征信息损失的缺点，尤其是本研究提出的网络模型，其在增加注意力机制后显示出了更好的分类结果。

图9 不同网络模型在马蹄湾村数据集上的分类结果

表5～6显示了训练样本量为标记样本的5%时，两组数据集在不同网络模型上各种地物类型的分类精度。从结果可以观察到，本文模型相较于传统机器学习分类算法支持向量机（SVM）和深层多尺度网络模型M3D-DCNN和HybridSN，分类精度大幅提升，相较于残差结构下的深层网络模型pResNet和SSRN，分类精度也有小幅度提升。其中在马蹄湾村和DFC2018 Houston数据集上相较于其他模型在Kappa系数、总体精度和平均精度上都有一定程度的提高。同时，深度学习分类模型的分类精度往往在95%以上，都高于机器学习分类算法的分类精度，且深度学习分类模型的分类精度并不会随着网络深度的增加而一直增加。在本研究所提残差结构中，引入注意力机制后，对于两组数据集，增加了对其特征信息的自适应优化，其分类结果的Kappa系数、平均分类精度和总体分类精度都较其他网络模型有所提高。说明CBAM注意力残差单元的加入能够在小样本训练数据下有效提高高光谱图像分类精度。

表5 马蹄湾村数据集在6种模型上的分类精度

Tab.5 Classification accuracy for the Matiwan Village dataset on the six models 单位：%

表6 DFC2018 Houston数据集在6种模型上的分类结果

Tab.6 Classification results for the DFC2018 Houston dataset on the six models 单位：%

3 结束语

与其他分类方法相比，本文提出的CBAM-Res-HybridSN网络模型在小样本学习上更有优势，显著提高了分类器性能和分类精度，但也有不足，后续的研究中将继续改进网络的结构，使模型具有更加强大的特征提取能力，能够在小样本数据上表现出更高的分类精度。

[1] 张淳民, 穆廷魁, 颜廷昱, 等. 高光谱遥感技术发展与展望[J]. 航天返回与遥感, 2018, 39(3): 104-114. ZHANG Chunmin, MU Tingkui, YAN Tingyu, et al. Overview of Hyperspectral Remote Sensing Technology[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(3): 104-114. (in Chinese)

[2] 任智伟, 吴玲达. 基于本征图像分解的高光谱图像空谱联合分类[J]. 航天返回与遥感, 2019, 40(3): 111-120. REN Zhiwei, WU Lingda. Spectral-spatial Classification for Hyperspectral Imagery Based on Intrinsic Image Decomposition[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(3): 111-120. (in Chinese)

[3] PEYGHAMBARI S, ZHANG Y. Hyperspectral Remote Sensing in Lithological Mapping, Mineral Exploration, and Environmental Geology: An Updated Review[J]. Journal of Applied Remote Sensing, 2021, 15(3): 31501.

[4] FRAT H, ASKER M E, BAYNDR M L, et al. Hybrid 3D/2D Complete Inception Module and Convolutional Neural Network for Hyperspectral Remote Sensing Image Classification[J/OL]. Neural Processing Letters (2022-07-02) [2022-08-09]. https:doi.org/10.1007/S11063-002-10929-2.

[5] LIU R, CAI W W, LI G J, et al. Hybrid Dilated Convolution Guided Feature Filtering and Enhancement Strategy for Hyperspectral Image Classification[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.

[6] CHANG CI. Hyperspectral Target Detection: Hypothesis Testing, Signal-to-Noise Ratio, and Spectral Angle Theories[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-23.

[7] WANG L, PENG J T, SUN W W. Spatial-Spectral Squeeze-and-Excitation Residual Network for Hyperspectral Image Classification[J]. Remote Sensing, 2019, 11(7): 884.

[8] CHEN G Y. Multiscale Filter-Based Hyperspectral Image Classification with PCA and SVM[J]. Journal of Electrical Engineering, 2021, 72(1): 40-45.

[9] 于新洋, 赵庚星, 常春艳, 等. 随机森林遥感信息提取研究进展及应用展望[J]. 遥感信息, 2019, 34(2): 8-14. YU Xinyang, ZHAO Gengxing, CHANG Chunyan, et al. Random Forest Classifier in Remote Sensing Information Extraction: A Review of Applications and Future Development[J]. Remote Sensing Information, 2019, 34(2): 8-14. (in Chinese)

[10] GE Haimiao, PAN Haizhu, WANG Liguo, et al. Self-Training Algorithm for Hyperspectral Imagery Classification Based on Mixed Measurement k-Nearest Neighbor and Support Vector Machine[J]. Journal of Applied Remote Sensing, 2021, 15(4): 42604.

[11] 陈玲玲, 施政, 廖凯涛, 等. 基于卷积神经网络的高分遥感影像耕地提取研究[J]. 农业机械学报, 2022, 53(9): 1-12. CHEN Lingling, SHI Zheng, LIAO Kaitao, et al. Cultivated Land Extraction from High Resolution Remote Sensing Image Based on Convolutional Neural Network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(9): 1-12. (in Chinese)

[12] 国强, 彭龙. 基于三维卷积神经网络与超像素分割的高光谱分类[J]. 光学学报, 2021, 41(22): 64-71. GUO Qiang, PENG Long. Hyperspectral Classification Based on 3D Convolutional Neural Network and Super Pixel Segmentation[J]. Acta Optica Sinica, 2021, 41(22): 64-71. (in Chinese)

[13] 刘冰, 余旭初, 张鹏强, 等. 联合空-谱信息的高光谱影像深度三维卷积网络分类[J]. 测绘学报, 2019, 48(1): 53-63. LIU Bing, YU Xuchu, ZHANG Pengqiang, et al. Deep 3D Convolutional Network Combined withs Patial-Spectral Features for Hyperspectral Image Classification[J]. Acta Geodaetica et Cartographica Sinic, 2019, 48(1): 53-63. (in Chinese)

[14] YE Bei, TIAN Shufang, CHENG Qiuming, et al. Application of Lithological Mapping Based on Advanced Hyperspectral Imager (AHSI) Imagery Onboard Gaofen-5 (GF-5) Satellite[J]. Remote Sensing, 2020, 12(23): 3990.

[15] PAOLETTI M E, HAUT J M, FERNANDEZ-BELTRAN R, et al. Deep Pyramidal Residual Networks for Spectral-Spatial Hyperspectral Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 57(2): 740-754.

[16] ZHONG Zilong, LI Jonathan, LUO Zhiming, et al. Spectral-Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 56(2): 847-858.

[17] ROY S K, KRISHNA G, DUBEY S R, et al. HybridSN: Exploring 3D-2D CNN Feature Hierarchy for Hyperspectral Image Classification[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 17(2): 277-281.

[18] WOO S, PARK J, LEE J Y, et al. Cbam: Convolutional Block Attention Module[C]//Proceedings of the 15th European Conference on Computer Vision (ECCV). [S.l.:s.n.], 2018: 3-19.

[19] 刘帅, 张旭含, 李笑迎, 等. 基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类[J]. 农业工程学报, 2020, 36(14): 252-262. LIU Shuai, ZHANG Xuhan, LI Xiaoying, et al. Cooperative Land Use Classification of Hyperspectral and Multispectral Imagery Based on Dual Branch Convolutional Neural Network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(14): 252-262. (in Chinese)

[20] DANG Lanxue, PANG Peidong, LEE J. Depth-Wise Separable Convolution Neural Network with Residual Connection for Hyperspectral Image Classification[J]. Remote Sensing, 2020, 12(20): 3408.

[21] 郭正胜, 李参海, 王智敏. U型卷积神经网络的ZY-3影像道路提取方法[J]. 测绘科学, 2020, 45(4): 51-57. GUO Zhengsheng, LI Canhai, WANG Zhimin. Road Extraction from ZY-3 Remote Sensing Image Based on U-Net Like Convolution Architecture[J]. Science of Surveying and Mapping, 2020, 45(4): 51-57. (in Chinese)

[22] HOWARD A G, ZHU M, CHEN B, et al. Mobilenets: Efficient Convolutional Neural Networks for Mobile Vision Applications[EB/OL]. (2017-04-17) [2022-08-09]. https:doi.org/10.48550/arxiv.1704.04861.

[23] 孙俊, 谭文军, 武小红, 等. 多通道深度可分离卷积模型实时识别复杂背景下甜菜与杂草[J]. 农业工程学报, 2019, 35(12): 184-190. SUN Jun, TAN Wenjun, WU Xiaohong, et al. Real-Time Recognition of Sugar Beet and Weeds in Complex Backgrounds Using Multi-Channel Depth-Wise Separable Convolution Model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 184-190. (in Chinese)

[24] 陈明, 席祥雲, 王洋. 利用残差生成对抗网络的高光谱图像分类[J]. 激光与光电子学进展, 2022, 59(22): 2210008. CHEN Ming, XI Xiangyun, WANG Yang. Hyperspectral Image Classification Based on Residual Ggenerative Adversarial Network[J]. Laser & Optoelectronics Progress, 2022, 59(22): 2210008. (in Chinese)

A Study of Small Sample Hyperspectral Image Classification Based on CBAM-Res-HybridSN

YANG Zhiwen ZHANG Hebing DU Weibing PAN Yisha

(School of Survey and Mapping Land Information Engineering, Henan Polytechnic University, Jiaozuo 454003, China)

In order to make full use of the "spatial-spectral" information of hyperspectral images and improve the classification accuracy under small-sample training data. In this paper, a new hybrid convolutional neural network (CBAM-Res-HybridSN) with residual units of Convolutional Block Attention Module (CBAM) is proposed to solve the problem of classifying small samples of hyperspectral images. The model constructs a deep hybrid convolutional neural network with deeply separable convolutional layers and residual structures to enhance the "spatial-spectral" discriminative feature extraction without increasing the computer overhead. The convolutional attention module is also introduced to highlight important features while suppressing redundant and noisy information, thus improving the classification accuracy under small sample data. To verify the effectiveness of the method, two public hyperspectral datasets, Xiong'an New Area (Matiwan Village) and DFC2018 Houston, were selected for comparison experiments, and the overall classification accuracy was 99.34% and 96.14%, respectively, when 5% of the labeled samples were selected as training samples. The results show that the proposed method ensures higher classification accuracy with small sample data.

hyperspectral images; attention mechanism; convolutional neural network; residual structure; few-shot learning; application of remote sensing

TP79

A

1009-8518(2023)03-0085-12

10.3969/j.issn.1009-8518.2023.03.010

杨志文，男，1998年生，2016年获河南理工大学测绘工程工学学士学位，现于河南理工大学测绘与科学技术专业攻读硕士学位。主要研究方向为摄影测量与遥感。E-mail：doctor_y1998@163.com。

张合兵，男，1975年生，2016年获河南理工大学大地测量学与测量工程专业博士学位，教授，博士生导师。主要研究方向为摄影测量与遥感。E-mail：jzitzhb@hpu.edu.cn。

2022-08-09

国家自然科学基金（U21A20108）；河南省科技攻关项目（222102320306）；河南理工大学基本科研业务费专项项目(自然科学类)（NSFRF220424）；智慧中原地理信息技术河南省协同创新中心时空感知与智能处理自然资源部重点实验室联合基金（No.211102）；智慧中原地理信息技术系统创新中心PI项目（2020C002）

杨志文, 张合兵, 都伟冰, 等. 基于CBAM-Res-HybridSN的高光谱图像分类研究[J]. 航天返回与遥感, 2023, 44(3): 85-96.

YANG Zhiwen, ZHANG Hebing, DU Weibing, et al. A Study of Small Sample Hyperspectral Image Classification Based on CBAM-Res-HybridSN[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(3): 85-96. (in Chinese)

（编辑：夏淑密）