CroSpec-MT:用于高光谱影像森林变量估计的紧凑型多任务网络
《IEEE Geoscience and Remote Sensing Letters》:CroSpec-MT: A Compact Spectral State-Space Network for Joint Classification and Regression of Hyperspectral Forest Variables
【字体:
大
中
小
】
时间:2026年09月20日
来源:IEEE Geoscience and Remote Sensing Letters 4.8
编辑推荐:
摘要:高光谱影像能够同时估计类别型和连续型森林变量,然而大多数深度学习方案孤立地处理这些任务,并依赖庞大的单分支编码器。我们提出了 CroSpec-MT,一种紧凑型多任务网络,它通过三个并行互补的分支从高光谱块中学习:一个采用残差卷积、密集空洞空间金字塔池化(DenseASP
摘要:
高光谱影像能够同时估计类别型和连续型森林变量,然而大多数深度学习方案孤立地处理这些任务,并依赖庞大的单分支编码器。我们提出了 CroSpec-MT,一种紧凑型多任务网络,它通过三个并行互补的分支从高光谱块中学习:一个采用残差卷积、密集空洞空间金字塔池化(DenseASPP)和卷积块注意力模块(CBAM)的空间分支;一个基于带有可学习前后融合门的双向选择性状态空间模型(BiSSM)的光谱分支;以及一个基于光谱轴上不可学习的离散余弦变换(DCT-II)的轻量级频率分支。各分支的输出通过逐元素求和进行组合,经全局池化后,通过任务特定主干路由,并送入任务亲和跨解码器(TACD),该解码器实现分类流与回归流之间的课程门控双向交互。在 TAIGA 机载高光谱数据集(包含 3 个类别型和 10 个连续型森林变量)上,采用严格的空间块划分和五个随机种子的实验表明,CroSpec-MT 在五个最先进的多任务基线方法中取得了最佳的平均准确率、科恩 kappa 系数、宏平均 F1、R2、均方根误差和归一化均方根误差,且参数量仅为 1.39 M。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号