UGSA-Net：模糊度引导的空间-光谱变换器用于高光谱图像分类

《Machines》：UGSA-Net: Uncertainty-Gated Attention and Self-Supervised Alignment for Calibration-Aware Hyperspectral Image Classification

　　

摘要

在基于块的高光谱分类器中，均匀的空间加权会不加区分地聚合光谱信息，即使个别像素已具有类别判别性，这也会降低准确性和可解释性。我们提出了UGSA-Net，一种模糊度引导的空间-光谱变换器，它无需直接的标签监督即可推断逐像素的模糊度场。一个轻量级的模糊度头将每个标记映射到(0,1)区间，并以端到端方式训练，自身没有目标，因此该场仅由通过标记混合器传播到它的训练损失塑造。这个场对标记混合器进行双重调制：它利用光谱角映射器（SAM）先验对查询和键投影进行偏置，以强调光谱相似的块，并重新缩放标记输出，以放大来自模糊位置的贡献。值路径保持未调制，因此网络在不扭曲进入混合的光谱内容的情况下重新加权空间信息。模糊度头和分类主干网络以端到端方式训练，遵循一个不使用标签的自监督潜在对齐阶段；模型选择在验证数据上联合评分总体准确率（OA）、少样本准确率和预期校准误差（ECE）。在来自四个传感器的六个基准场景中，在分层像素级划分下（训练和测试窗口重叠），UGSA-Net在三次运行中的每个场景上超过98.9%的OA，在Indian Pines上与在同一协议下重新训练的竞争架构相当。这些值是新场景的上界而非估计值：在六个场景中的两个中，几乎没有标记像素在输入窗口内具有竞争类别。单个验证调优的温度将ECE从0.24–0.28降至低于0.016，而不改变任何预测，表明残余的校准误差由决策头而非数据表示决定。模糊度门控的益处出现在标签稀缺时：在Indian Pines上使用缩减的训练集，门控在所有三个分区上都提高了OA，相对于未门控模型，无论方向如何；而在使用完整训练集时，组件效应落在运行间变化范围内。