融合代理图注意力与Transformer的半监督高光谱图像分类模型及其在遥感精准识别中的应用

本文提出了一种新型半监督高光谱图像分类网络AGAT-SS，通过特征对齐模块（FAM）、代理图注意力网络（A-GAT）和代理增强前馈Transformer（AEF-Transformer）三大核心组件，有效整合标注与未标注样本。该模型在全局-局部特征捕获、计算效率优化和特征表达能力强化方面显著超越现有先进算法（如MDGCN、MSSGAT、DEGAT），为少样本条件下的高精度地物分类提供了创新解决方案。

　　

亮点（Highlight）

• FAM采用通道注意力机制动态重构特征权重，结合多尺度卷积捕获多感受野表征，显著增强标注与未标注数据的特征一致性

• A-GAT创新引入代理注意力机制，通过生成代理节点编码全局语义特征，在降低计算复杂度的同时提升复杂模式表征能力

• AEF-Transformer首次将代理注意力整合至多头注意力机制，并利用点卷积与深度卷积构建代理增强前馈模块（AEFM），实现特征提取效率与模型表达力的双重突破

整体架构

Transformer的核心自注意力机制可高效捕获序列元素间的长程依赖关系（如图像块、词汇），实现对输入的深度上下文编码。代理图注意力（AGA）作为标准图注意力网络（GAT）的增强版，引入一组可学习的"代理节点"。这些节点并非原始图数据组成部分，而是在训练过程中习得的潜在语义空间"锚点"或"原型"。

高光谱数据集

IP数据集（图6）：由机载可见光/红外成像光谱仪（AVIRIS）于1992年在美国印第安纳州西北部印第安松树测试场采集，光谱范围覆盖0.4–2.45μm，包含220个连续波段。该场景具有145×145像素空间分辨率，20米像元尺寸，包含10,249个标注样本，涵盖16种土地覆盖类别。剔除水吸收和低信噪比波段后，保留200个光谱波段用于实验。

与SOTA网络的对比

为保障公平全面的性能评估，AGAT-SS与五种具有影响力的图基础方法进行对比：S²GCN、SSGPN、MDGCN、MSSGAT和DEGAT。所有对比算法均采用相同的训练/测试数据划分（表1-3）及完全一致的预处理与超参数设置，确保实验对比的严谨性。

结论

我们提出的AGAT-SS框架为高光谱图像分类提供了一种创新的半监督解决方案，通过有效整合稀缺标注数据与海量未标注样本实现性能突破。该架构的核心创新在于三大模块的协同作用：FAM模块桥接标注与未标注样本，GAT中的代理注意力机制捕获关键全局语义与长程依赖，AEF-Transformer则通过多尺度特征融合增强判别能力。