論文：CSA-MSO3DCNN: Multiscale Octave 3D CNN with Channel and Spatial Attention for Hyperspectral Image Classification
1. Motivation
提出問題：由於高光譜圖像存在空間信息冗餘的情況，所以在用3D-CNN處理高光譜圖像分類問題時會帶來大量的參數。
如何解決：作者引入OctConv替代傳統的卷積，能夠有效減少空間冗餘和增大感受野。
關於OctConv
2. Model Structure
-
Octave Convoltion
![在這裏插入圖片描述]()
總體結構和OctConv原文相同，不同之處在上圖紅框。對於一個三層的OctConv，原文的最後一層是將低頻信息轉換爲高頻信息，然後和更新後的高頻信息彙總輸出；本文中是將高頻信息轉換爲低頻信息，和更新後的低頻信息彙總輸出。個人認爲作者的目的是得到尺寸更小的feature map，從而進一步減少參數和增大感受野。 -
Channel and Spatial Attention
![在這裏插入圖片描述]()
又是熟悉的attention !!! 關於注意力機制就不多說了，之前的一篇博文已經總結了：https://blog.csdn.net/zxdd2018/article/details/104325588 -
總體結構
![在這裏插入圖片描述]()
3. Datasets
- Indian Pines
- Pavia University
- Grss_dfc_2013（NSF-funded Center for Airborne Laser Map- ping (NCALM)）
- Grss_dfc_2014（ 2014 IEEE GRSS Data Fusion Contest）
數據集劃分方式：不按百分比，每類選取相同數量
4. Parameters
- ratio（OctConv）： 0 ~ 1
- patchsize：14×14 18×18 22×22 26×26 30×30
- dropout：0.2 0.4 0.5 0.6 0.8
- training sample
總結
論文主要創新點：引入OctConv代替普通卷積