基于快速残差多分支脉冲神经网络的高光谱图像分类
原文中文,约400字,阅读约需1分钟。发表于: 。本研究解决了高光谱图像分类中脉冲神经网络(SNN)能耗高和网络结构复杂的问题。作者提出了一种基于泄漏积分-发火(LIF)神经元模型的脉冲神经网络(SNN-SWMR),利用脉冲宽度混合残差模块有效提取空间-光谱特征。实验结果表明,该方法在保持分类精度的同时,时间步长减少约84%,训练和测试时间分别减少63%和70%,为高光谱图像分类算法在边缘设备上的应用提供了重要实践意义。
HSIMamba是一种使用双向反卷积神经网络路径和Transformer注意机制的方法,能够提取光谱特征并综合分析空间信息,从而改善HSI分类的准确性和计算效率。在多个数据集上测试表现出色,具有实际应用价值。