基于多级特征对齐约束的跨场景高光谱图像分类域适应网络研究

为解决跨场景高光谱图像分类（HSIC）中域适应（DA）方法忽略类别对齐、域不变特征利用不足的问题，研究人员提出了一种基于多级特征对齐约束的域适应网络（DAN_MFAC）。该研究设计了光谱-空间特征类别对齐（SSFCA）模块和集成CNN-Transformer架构（ICT），通过多尺度特征融合和全局-局部特征建模，显著提升了有限样本下的分类性能。实验表明，该方法在三个跨场景数据集上优于现有技术，为遥感领域跨场景分类提供了新思路。

　　

高光谱图像分类（HSIC）是遥感领域的核心任务之一，其目标是通过分析图像中每个像素的光谱和空间信息，为地表覆盖类型赋予正确标签。然而，传统方法通常仅针对单一场景进行训练和分类，难以将学到的知识迁移到新场景中。这一局限性在实际应用中带来了巨大挑战——每当面对新的高光谱场景时，研究人员必须重新标注大量样本并训练模型，耗费大量时间和资源。更棘手的是，高光谱图像在采集过程中受传感器差异、天气条件和拍摄角度等因素影响，会导致源域（SD）和目标域（TD）间出现"光谱偏移"和"空间偏移"现象，使得跨场景分类任务雪上加霜。

针对这些挑战，黑龙江某高校的研究团队在《Knowledge-Based Systems》发表了一项创新研究。他们提出了一种基于多级特征对齐约束的域适应网络（DAN_MFAC），通过三个关键技术突破解决了上述问题：首先设计光谱-空间特征类别对齐（SSFCA）模块，首次实现了高光谱图像中每个类别的精细对齐；其次开发多级特征对齐约束（MFAC）策略，结合最大均值差异（MMD）优化域不变特征提取；最后构建集成CNN-Transformer架构（ICT），通过空间-光谱相关性（SSC）模块和多级残差结构，同步增强局部特征判别力和全局建模能力。

Related works部分系统梳理了高光谱分类技术的发展脉络，指出现有域适应方法大多仅关注整体特征分布匹配，忽视了类别级对齐这一关键环节。The Overall Framework of DAN_MFAC详细阐述了网络架构：输入数据被统一处理为13×13×c的立方体，通过CNN分支中的多尺度组卷积与SE（Squeeze-and-Excitation）特征重校准机制捕获判别性局部特征，同时在Transformer分支采用多级残差结构保持长距离特征完整性。Experimental results and analysis显示，该方法在三个跨场景数据集上的分类准确率显著优于对比模型，特别是在有限样本条件下展现出卓越的泛化能力。

Conclusions部分总结了该研究的三大贡献：SSFCA模块首次实现高光谱图像的类别级对齐；MFAC策略通过多层次约束有效抑制冗余信息干扰；ICT架构成功融合CNN的局部感知优势与Transformer的全局建模能力。这项研究不仅为跨场景高光谱分类提供了新范式，其提出的特征对齐框架对医学影像分析、卫星遥感监测等领域也具有重要借鉴意义。研究团队特别指出，未来将进一步探索该技术在农作物分类、环境监测等实际场景中的应用潜力。