Abstract. Hyperspectral images (HSIs) contain a significant amount of spectral and spatial information, together with underlying redundancy and noise, causing difficulty in HSI-processing tasks. State-of-the-art deep learning methods have obtained unprecedented performance in HSI classification and analysis. However, these architectures face challenges of declining accuracy and lengthy training times. We propose a framework to mitigate these issues, composed of a densely connected spectral block and preactivation bottleneck residual spatial block to separately learn spectral and spatial features. The spectral extraction block can involve more spectral features with the increase of the network depth, and it solves the problem of lengthy training time in traditional methods, and its densely connected structure achieves higher accuracy. In the spatial extraction block, we use the improved residual structure and introduce batch normalization and a parametric rectified linear unit before convolutional layers to preactivate the network, reducing parameters, and overfitting. In experiments using three classification approaches for comparison, it can be observed that even compared to the state-of-the-art method: spectral–spatial residual network for HSI classification, the proposed model shows improvements in accuracy of 0.49%, 0.19%, and 0.35% on the Indian Pines, University of Pavia, and Kennedy Space Center datasets, respectively. The experimental results reveal that the model obtains better classification results while effectively decreasing the training time.

中文翻译：

---

通过光谱-空间密集-残差网络对高光谱图像进行分类

摘要。高光谱图像 (HSI) 包含大量光谱和空间信息，以及潜在的冗余和噪声，导致 HSI 处理任务困难。最先进的深度学习方法在 HSI 分类和分析中获得了前所未有的性能。然而，这些架构面临着准确性下降和训练时间过长的挑战。我们提出了一个框架来缓解这些问题，该框架由密集连接的光谱块和预激活瓶颈剩余空间块组成，以分别学习光谱和空间特征。光谱提取块随着网络深度的增加可以涉及更多的光谱特征，解决了传统方法训练时间长的问题，其密集连接的结构实现了更高的精度。在空间提取块中，我们使用改进的残差结构并在卷积层之前引入批量归一化和参数整流线性单元来预激活网络、减少参数和过拟合。在使用三种分类方法进行比较的实验中，可以观察到，即使与最先进的方法：用于 HSI 分类的谱空间残差网络相比，所提出的模型的准确度提高了 0.49%、0.19%、和 0.35% 分别在印度松树、帕维亚大学和肯尼迪航天中心数据集上。实验结果表明，该模型在有效减少训练时间的同时，获得了更好的分类结果。我们使用改进的残差结构并在卷积层之前引入批量归一化和参数整流线性单元来预激活网络、减少参数和过拟合。在使用三种分类方法进行比较的实验中，可以观察到，即使与最先进的方法：用于 HSI 分类的谱空间残差网络相比，所提出的模型的准确度提高了 0.49%、0.19%、和 0.35% 分别在印度松树、帕维亚大学和肯尼迪航天中心数据集上。实验结果表明，该模型在有效减少训练时间的同时，获得了更好的分类结果。我们使用改进的残差结构并在卷积层之前引入批量归一化和参数整流线性单元来预激活网络、减少参数和过拟合。在使用三种分类方法进行比较的实验中，可以观察到，即使与最先进的方法：用于 HSI 分类的谱空间残差网络相比，所提出的模型的准确度提高了 0.49%、0.19%、和 0.35% 分别在印度松树、帕维亚大学和肯尼迪航天中心数据集上。实验结果表明，该模型在有效减少训练时间的同时，获得了更好的分类结果。在使用三种分类方法进行比较的实验中，可以观察到，即使与最先进的方法：用于 HSI 分类的谱空间残差网络相比，所提出的模型的准确度提高了 0.49%、0.19%、和 0.35% 分别在印度松树、帕维亚大学和肯尼迪航天中心数据集上。实验结果表明，该模型在有效减少训练时间的同时获得了更好的分类结果。在使用三种分类方法进行比较的实验中，可以观察到，即使与最先进的方法：用于 HSI 分类的谱空间残差网络相比，所提出的模型的准确度提高了 0.49%、0.19%、和 0.35% 分别在印度松树、帕维亚大学和肯尼迪航天中心数据集上。实验结果表明，该模型在有效减少训练时间的同时获得了更好的分类结果。