基于中心像素特征增强网络(CPFENet)的高光谱与LiDAR数据融合分类方法

研究人员针对高光谱影像(HSI)与激光雷达(LiDAR)数据融合分类中中心像素特征表达不足的问题，提出创新性的中心像素特征增强网络(CPFENet)。该网络通过中心像素增强模块(CPEM)融合绝对/相对位置编码，并设计中心像素交叉注意力(CPFCA)机制，在三个公开数据集上取得超越现有方法的分类性能，为多模态遥感数据分析提供新思路。

　　

当高光谱影像(HSI)遇上激光雷达(LiDAR)，这对遥感界的"黄金搭档"能精准识别复杂地表覆盖类型。然而现有深度学习方法在玩转这对组合时，往往忽略了多模态数据中核心主角——中心像素的特征表达。科研团队为此设计了一套精妙的"中心像素特写镜头"：中心像素增强网络(CPFENet)。

这套系统暗藏两大黑科技：首先是中心像素增强模块(CPEM)，像给像素装上GPS定位（绝对位置编码）和相对位置测量仪（中心相对位置编码），让网络准确捕捉中心像素的"空间坐标感"。接着这些被强化的特征会进入中心像素特征交叉注意力(CPFCA)模块，就像给网络装上"聚光灯"，使其能聚焦中心像素来学习空间-光谱的联合特征。

在三个权威测试场上，这套系统展现出碾压级优势，其分类精度让传统方法望尘莫及。这项研究不仅为多模态遥感数据分析立下新标杆，更启示着：在深度学习时代，有时候给网络一点"中心主义"的引导，反而能收获更精准的认知。