基于嵌套注意力双流空间-光谱网络的高光谱图像分类方法

《Remote Sensing》：Fly High or Fly Low? Selecting Time-Efficient UAV Search Strategies for High-Recall Aerial Detection

　　

摘要

高光谱图像分类（HSI）需要模型在区分细微光谱差异的同时，保留土地覆盖区域的空间结构。基于 CNN 的方法在局部光谱 - 空间提取方面有效，但其有限的感受野可能会削弱更广泛上下文建模。基于 Transformer 的方法改善了长程依赖建模，但固定的图像块划分可能会降低其对精细局部结构的敏感性。为了解决这些局限性，本研究提出了具有嵌套注意力的双流空间 - 光谱网络（DSSN），该网络在自适应融合前将局部光谱 - 空间特征提取与多尺度空间上下文建模分离。DSSN 结合了级联 3D-CNN 光谱流、具有像素级和图像块级交互的嵌套 Transformer 空间流，以及基于通道注意力的自适应融合模块。在 Indian Pines、Pavia University 和 Salinas 上的实验表明，DSSN 分别达到了 98.11%、99.88% 和 99.82% 的总体准确率，优于其他基线方法。消融实验证实，每个主要组件都对最终性能有所贡献。尽管该模型比几个比较的基线方法需要更多参数和更长的推理时间，但其推理时间仍保持在毫秒级。这些结果表明，解耦的空间 - 光谱表示和自适应多尺度融合可以改进评估基准设置下的高光谱图像分类。