面向细粒度高光谱矿物分类的谱-结构协同学习

《Sensors》：Spectral–Structural Collaborative Learning for Fine-Grained Hyperspectral Mineral Classification

　　

细粒度高光谱矿物分类仍然具有挑战性，因为不同形态的矿物具有光谱同质性、共生引起的严重光谱混合以及高维度性。现有方法依赖于光谱可分离性假设，当光谱差异细微且空间-结构歧义性高时，这些假设变得不足。为了解决这些局限性，研究人员提出了S3AM-ECA-3DCNN（基于光谱相似性的空间注意力模块（S3AM）与高效通道注意力模块（ECA）联合的三维卷积神经网络（3DCNN））框架，这是一个谱-结构协同特征学习框架。该框架使用3DCNN主干网络，通过渐进式光谱下采样联合建模光谱-空间特征。基于光谱相似性的空间注意力模块（S3AM）通过抑制来自光谱混合邻域区域的干扰执行空间净化，高效通道注意力模块（ECA）自适应地重新校准判别性光谱波段以增强细粒度表示。这建立了一个空间优先、通道其次的协同优化范式。为了在有限训练样本下改善泛化能力，采用了自适应全局池化和轻量级分类头来降低模型复杂度并缓解过拟合。在一个覆盖硅酸盐、碳酸盐和硫酸盐的146类高光谱矿物数据集上的实验表明，该框架实现了93.424%的总体精度（OA）、91.099%的平均精度（AA）和93.368的Kappa系数（×100），优于主流方法。它显著减少了光谱相似但形态不同的矿物之间的误分类，展示了强大的鲁棒性和判别能力，适用于大规模细粒度任务。

**研究背景与问题**
在高光谱矿物识别中，细粒度分类面临核心挑战：不同形态或集合体结构的矿物常呈现高度相似的光谱特征，共生和边界混合进一步扭曲判别性信息，导致光谱-结构歧义性。传统方法依赖光谱可分离性假设，在光谱差异细微且空间结构模糊时失效。为此，研究人员提出S3AM-ECA-3DCNN框架，旨在通过空间优先、通道其次的协同注意力优化，解决光谱同质性、有限样本下的过拟合及高维数据冗余问题。该论文发表在《Sensors》，为大规模细粒度矿物分类提供了新范式。

**主要关键技术方法**
研究采用HySpex SWIR-384推扫式高光谱成像系统（光谱范围950–2500 nm，分辨率5.45 nm）采集数据，构建HMSD-1.0数据集（146类，涵盖硅酸盐、碳酸盐、硫酸盐等），基于手动标注的感兴趣区域（ROI）进行像素级分类。核心方法包括：1）三维卷积神经网络（3DCNN）主干网络，通过渐进式光谱下采样（卷积核尺寸从7×3×3逐步递减至3×3×3）联合提取光谱-空间特征；2）基于光谱相似性的空间注意力模块（S3AM），利用加权欧氏距离（WED）和加权余弦距离（WCD）度量邻域光谱相似性，生成空间注意力掩码以抑制共生矿物干扰；3）高效通道注意力模块（ECA），通过一维卷积自适应重校准判别性光谱波段；4）自适应全局池化（GAP）与单全连接层（FC）构成轻量分类头，结合Focal Loss处理类别不平衡。训练采用Adam优化器（初始学习率5×10^-4）、L2正则化、Dropout3D（丢弃率0.5）及五折交叉验证。

**研究结果**
- **卷积核组合对比实验**：通过比较固定尺寸与渐进多尺度（7×3×3→5×3×3→3×3×3）核组合，发现渐进设计在总体精度（OA）和稳定性上显著优于固定设计（标准差从5.244%降至1.325%），表明层次化捕获长程到局部光谱依赖性的重要性。
- **消融实验**：以无注意力机制的3DCNN为基线，逐一添加S3AM、ECA及对比模块（CBAM、SE、SAM等）。串行S3AM→3DCNN→ECA配置获得最高OA（93.424%）和AA（91.099%），尤其AA提升显著（较基线提高约4%）。平行S3AM-ECA与SE方案效果次之，证实空间优先、通道其次的串行依赖优于并行或独立堆叠。
- **主流方法对比实验**：与1DCNN、Spec-CNN、SPRN、SSRN、S2PST、ACDFSL等六种方法相比，所提框架在OA、AA、Kappa系数及标准差上全面领先（OA 93.424%，AA 91.099%，Kappa 93.368）。混淆矩阵显示，针对同种矿物不同形态（如符山石晶体与晶簇）的误分类率降低50%以上，化学组成相同但结构不同的矿物（如雪花石膏与石膏晶体）误分类率降至21.05%，跨家族误分类总体减少60%。
- **计算复杂度分析**：与基线3DCNN相比，所提框架的FLOPs仅增加16%，推理延迟增加15%，远低于SPRN，实现了精度与效率的平衡。
- **误分类与不平衡数据集分析**：细粒度误分类分为三类——纹理驱动（如滑石白误分类为绿泥石和钨锰矿）、光谱重叠吸收特征驱动（如黄玉与锂辉石，方解石与天青石晶体）、重金属吸收边驱动（如钨锰矿晶体与堇青石晶体）。类别不平衡（每类像素78–5945）虽影响极稀有类（如磷灰石单晶伪变高），但样本次序与晶体均质性更关键，提示形态感知增强或小样本学习的必要性。

**总结讨论与结论翻译**
讨论部分指出，所提框架通过空间优先的串行协同注意力，有效减少了光谱-结构歧义导致的像素级混淆。然而，对于化学组成近乎相同但形态截然不同的矿物，单纯光谱信息仍不足以完全区分。结论部分（Section 5）翻译如下：
本研究提出了S3AM–ECA–3DCNN，一个面向细粒度高光谱矿物分类的谱-结构协同特征学习框架。与主要依赖光谱可分离性假设的传统高光谱分类方法不同，该框架旨在缓解复杂矿物学场景中因光谱–结构歧义性带来的挑战——不同形态、集合体结构或结晶状态的矿物在像素级常呈现高度相似的光谱响应。框架采用空间优先协同范式：基于光谱相似性的空间净化先于通道级光谱重校准。像素级高光谱分类实验表明，这种层次化注意力依赖在矿物共生、光谱混合及类间细微光谱变异条件下提升了判别性特征学习。与主流高光谱分类方法相比，所提框架在146类矿物数据集上实现了更优的分类精度、鲁棒性和泛化能力。需指出，本研究基于手动标注的感兴趣区域（ROI）进行像素级分类，因此观察到的形态或集合体结构区分改进是通过像素级分类性能提升反映的，而非显式形态建模。实验结果表明，空间净化与光谱重校准在联合优化时比独立应用更有效。S3AM与ECA之间的双向协同机制在光谱同质性条件下实现了更稳定的特征判别，为高光谱图像分析中的协同空间–光谱表示学习提供了新视角。尽管所提框架显著减少了光谱相似矿物类别间的像素级混淆，但对于化学组成几乎相同但形态特征不同的矿物，仅靠光谱信息仍难以完全区分。未来工作将探索多模态特征融合、形态感知表示学习及小样本自适应策略，以进一步提升复杂地质环境下的细粒度矿物识别性能。