S2A-Swin：一种基于光谱平滑和空间窗口的算法，结合生成式增强技术，用于在类别不平衡和标签有限的情况下进行高光谱图像分类 作者：刘百森（Baisen Liu）、陈建新（Jianxin Chen）、张武林（Wulin Zhang）、党志明（Zhiming Dang）、李新尧（Xinyao Li）和孔伟利（Weili Kong）

《Remote Sensing》：S2A-Swin: Spectral Smoothing–Guided Spectral–Spatial Windows with Generative Augmentation for Hyperspectral Image Classification Under Class Imbalance and Limited Labels Baisen Liu, Jianxin Chen, Wulin Zhang, Zhiming Dang, Xinyao Li and Weili Kong

　　

摘要

高光谱图像（HSI）分类面临数据标注不足和类别不平衡的问题，这些问题限制了模型的训练效果和泛化能力。为了解决这些问题，我们提出了S2A-Swin，一个结合了空间和光谱特性的混合Swin Transformer框架。首先，我们开发了一个光谱-空间条件生成对抗网络（SSC-cGAN），该网络结合了光谱和平滑正则化机制来合成特定类别的图像块，从而缓解了数据稀缺和类别不平衡的问题，同时保持了与真实数据一致的光谱连续性和局部空间结构。其次，我们引入了一个具有维度感知能力的混合Transformer模块，在标准空间窗口的基础上增加了沿光谱维度的局部窗口，促进了跨维度特征之间的交互，并确保每个光谱带都能利用局部空间上下文进行建模，从而实现更高效的空间-光谱联合建模。在该模块中，光谱窗口和空间窗口的注意力机制交替应用（“交叉序列”注意力机制），其执行顺序由高光谱先验知识指导，以增强跨维度表示学习。该模块嵌入到了轻量级的Swin框架中，通过光谱窗口注意力扩展了传统的空间窗口机制，在保持空间结构一致性的同时捕捉了光谱连续性。在多个数据集上的广泛实验表明，与主流的CNN和Transformer基线方法相比，所提出的方法在四个基准数据集上的整体准确率（OA）分别提高了2.45%、7.05%、5.17%和0.85%。