遥感影像时间序列为土地覆盖分类研究提供了重要的数据基础,利用深度学习提取时序分类特征一直是研究的热点,而基于循环网络和卷积网络的深度学习模型在训练样本不均衡时往往难以在小样本地类上取得高精度分类结果,针对这一问题,本文引入自然语言处理领域最新的自注意力机制方法用于多光谱遥感时序数据分类。通过对Transformer编码器进行两点改进:(1)在多头注意力前添加特征升维层,提升数据的光谱信息;(2)使用拉伸后降维取代全局最大值池化GMP(Global Maximum Pooling)作为特征维度降维策略。构建基于时序自注意力机制的特征提取网络,与循环网络和卷积网络进行对比,利用公开的多光谱遥感时序数据集评估本文所用方法对于小样本类别精度提高的有效性。实验结果表明本文基于时序自注意力机制构建的特征提取网络能够有效应用于多光谱遥感时序数据分类问题,并对小样本地类分类精度提升有所帮助。
展开▼
