编辑推荐：
针对 HSI 分类中 CNN 提取深层特征困难、传统方法难处理光谱变异等问题，研究人员提出融合 CNN 与 Transformer 的框架，引入 GSF 块增强空间 - 光谱特征融合。在 4 个数据集上 OA 达 99.47% 等，为 HSI 分类提供新方向。
在农业监测、环境评估等领域，高光谱图像（HSI）凭借丰富的光谱信息成为地物分类的重要工具。然而，HSI 数据的高维度、光谱变异以及类内差异等问题，导致传统卷积神经网络（CNN）难以有效提取深层特征，且单一模型难以兼顾局部空间细节与全局语义关联。如何突破这些瓶颈，提升分类精度，成为遥感领域亟待解决的关键问题。
为应对上述挑战，意大利研究人员开展了一项融合 CNN 与 Transformer 架构的 HSI 分类研究。其成果发表在《Computers and Electronics in Agriculture》，为高光谱图像分析提供了新的技术范式。
研究采用的核心技术方法包括：
- CNN 模块：利用 2D 和 3D 卷积提取局部空间 - 光谱特征，通过门控移位融合（GSF）块增强特征交互；
- Transformer 模块：引入高斯加权特征标记器和 Transformer 编码器（TE），捕捉长距离上下文依赖；
- 注意力机制：设计专用模块优化特征提取，提升对判别性信息的敏感度。
实验结果与分析
数据集与评估
研究在 Indian Pines、Pavia University、WHU-Hi-LongKou 和 WHU-Hi-HanChuan 四个基准数据集上展开测试，以总体精度（OA）为核心指标，对比现有主流模型。
分类性能突破
- Indian Pines 数据集：通过 GSF 块与 Transformer 的协同作用，模型 OA 达 99.47%，显著优于传统 CNN 和单一 Transformer 架构，验证了空间 - 光谱特征融合的有效性；
- WHU-Hi-LongKou 数据集：在复杂地物场景中，模型 OA 高达 99.86%，表明其对高光谱数据中细微光谱差异的强大辨别能力；
- 泛化能力验证：在不平衡数据集（如 Pavia University）中，模型通过注意力机制抑制噪声干扰，分类精度较同类方法提升 3%-5%。
结论与意义
该研究构建的 CNN-Transformer 框架，通过 GSF 块强化局部特征交互，结合 Transformer 建模全局语义，成功解决了 HSI 分类中光谱变异与长距离依赖的建模难题。实验结果不仅刷新了多个数据集的精度记录，更揭示了混合架构在遥感领域的巨大潜力。其创新点在于：
- 模块化设计：GSF 块可无缝集成至现有 CNN 架构，提升特征融合效率；
- 计算优化：通过高斯加权标记器降低 Transformer 输入维度，在保证精度的同时减少计算开销；
- 应用价值：为农业病虫害监测、城市土地利用分析等场景提供了高精度分类工具，推动 HSI 在智能遥感中的实际应用。
该研究突破了单一模型的性能瓶颈，为高光谱图像分析领域开辟了新路径，其混合架构设计思路对医学影像分析、多模态数据处理等交叉学科亦具参考价值。未来可进一步探索动态特征分组策略，以提升模型对异质性数据集的适应性。
