编辑推荐：
高光谱图像（HSI）标注易出错，现有处理含噪标签方法存在缺陷。研究人员提出局部 - 全局胶囊网络（LGCaps）。实验表明，LGCaps 在四个 HSI 数据集上超越现有模型，为 HSI 含噪标签分类提供新方案。
在科技飞速发展的当下，高光谱成像技术犹如一双 “慧眼”，能捕捉到可见光谱和红外光谱中数百个连续的光谱带，为众多领域带来了新的发展机遇。通过该技术获得的高光谱图像（HSI），以独特的 3D 数据结构，融合了空间和光谱信息，能精准呈现目标场景的详细空间信息，在精准农业、地质调查、矿产勘探以及环境监测等方面发挥着关键作用。
然而，HSI 数据的复杂性却成了一把 “双刃剑”。在进行 HSI 分类时，虽然空间和光谱信息的融合提升了特征的可区分性，但也使得特征提取变得更加困难，类内特征差异增大。更为棘手的是，HSI 数据标注难度极高，标注过程极易出错，导致训练数据标签含噪。这些错误可能源于专家的误判、自动标注方法的缺陷以及类别边界的模糊性。深度学习模型在面对含噪标签时，很容易出现过拟合现象，学习到的往往是标签中的错误信息，而非真实的潜在模式，严重影响了模型的泛化能力。
为了解决这些难题，中国农业大学等机构的研究人员开展了一项关于高光谱图像含噪标签分类的研究。他们提出了一种全新的视角，利用单个样本特征的内在一致性来约束模型，避免了对含噪标签的显式识别和剔除，而是充分挖掘数据的固有结构，从而实现更具鲁棒性的学习。基于这一思路，研究人员设计了一种创新的局部 - 全局胶囊网络（LGCaps）用于 HSI 分类。该研究成果发表在《Digital Signal Processing》上，为高光谱图像分类领域带来了新的突破。
研究人员在开展此项研究时，主要运用了以下关键技术方法：一是构建了局部 - 全局胶囊网络（LGCaps），其集成了局部 - 全局路由算法和耦合胶囊解码器；二是利用四个公开的 HSI 数据集（Salina、Paiva University（PaviaU）、HanChuan、HongHu HSI 数据集）进行实验，通过对比分析验证模型性能。
下面来详细看看研究结果：
- 局部 - 全局路由算法：该算法通过局部聚合，分层迭代地整合不同特征层次，确保局部胶囊和全局胶囊之间的一致性。这一特性使得模型能够同时捕捉到粗粒度和细粒度的特征，充分利用单个样本特征的内在一致性，有效增强了模型的鲁棒性。
- 耦合胶囊解码器：它能够动态压缩和重构光谱与空间信息，并与编码器协同工作，进一步利用内在一致性，防止模型对含噪标签过拟合，从而提升了模型的鲁棒性和性能。
- 模型性能评估：研究人员在四个不同的 HSI 数据集上对 LGCaps 进行了广泛的实验。结果显示，LGCaps 在性能上全面超越了现有的胶囊网络以及抗噪模型。尤其是在含噪标签和有限样本训练的挑战性条件下，LGCaps 展现出了卓越的分类性能，不仅获得了更高的准确率，还保持了良好的鲁棒性。
在研究结论和讨论部分，研究人员指出，LGCaps 利用单个样本特征的内在一致性，在含噪标签的 HSI 分类任务中实现了鲁棒学习。它借助胶囊网络的优势，有效地捕捉了空间 - 光谱关系，优化了特征提取过程。通过融入局部 - 全局注意力机制，LGCaps 增强了特征的区分能力，降低了类内变异性，显著提升了分类性能和鲁棒性。这一研究成果为高光谱图像含噪标签分类提供了新的解决方案，推动了相关领域的发展，具有重要的理论和实践意义。它不仅有助于提升高光谱图像在各个应用领域的分类准确性，还为后续研究如何更好地处理含噪数据提供了新的思路和方法。未来，研究人员可以在此基础上进一步优化模型，探索更多应用场景，不断拓展高光谱图像分类技术的边界。
