高光谱图像分类中的空间-光谱多阶门控聚合网络与双向交互融合机制研究

本文提出SS-MoGAN（Spatial-Spectral Multi-order Gated Aggregation Network）模型，通过空间聚合（SpaAg）与光谱聚合（SpeAg）模块实现多阶特征交互，结合双向交互融合（BIF）机制增强特征表征能力，在高光谱图像分类（HSIC）任务中显著优于现有方法。

　　

¹研究亮点²

本研究创新性地提出空间-光谱多阶门控聚合网络（SS-MoGAN），通过整合高效卷积与门控聚合操作，构建紧凑型特征提取模块。空间聚合（SpaAg）块与光谱聚合（SpeAg）块分别引导模型显式捕获空间维度和光谱维度中低阶与高阶特征的交互关系。双向交互融合（BIF）块通过双向交叉注意力机制进一步整合结构信息，显著提升细粒度特征表征能力。

³结论⁴

本工作提出的SS-MoGAN架构专注于自适应上下文特征提取，同时确保潜在交互关系的有效编码。空间聚合块融合局部感知与门控上下文聚合机制，光谱聚合块通过光谱波段重分配引导模型探索未被充分挖掘的谱间关联。实验表明该方法在高光谱图像分类任务中具有卓越性能。

⁵作者贡献声明⁶

Mingzhu Tai: 文稿撰写与修订、可视化、方法论设计。Zhenqiu Shu: 验证与监督指导。Songze Tang: 研究监督。Zhengtao Yu: 项目指导。

⁷利益冲突声明⁸

作者声明不存在可能影响本研究成果的财务利益冲突或个人关系。

⁹致谢¹⁰

本研究受国家自然科学基金（项目编号62162033、62462038）、云南省科技重大专项（202402AD080001）、云南省基础研究项目（202101AT070438）及云南"兴滇英才"计划支持。