基于 3D 傅里叶的全局特征提取用于 hyperspectral 图像分类
计算机视觉与模式识别
2026-03-18 v1
摘要
hyperspectral 图像分类（HSIC）的进展显著受益于深度学习方法，这些方法利用丰富的空间-光谱相关性。然而，现有方法仍面临根本性限制：基于转换器的方法因自注意力的二次复杂度导致扩缩性差，而最近的傅里叶变换方法通常依赖 2D 空间 FFT，很大程度上忽略了 hyperspectral 数据中固有的关键带间光谱依赖性。为此，我们提出了混合 GFNet（HGFNet），一种新型架构，将局部化 3D 卷积特征提取与基于 GFNet 风格模块的数字域全局滤波相结合，以实现高效且稳健的空间-光谱表征学习。HGFNet 引入了针对 hyperspectral 图像的三个互补频率变换：光谱傅里叶变换（沿光谱轴的 1D FFT）、空间傅里叶变换（对空间维度的 2D FFT）以及空间-空间傅里叶变换（沿光谱和空间维度的 3D FFT），实现全面且高维频率建模。3D 卷积层捕获细粒度的局部空间-光谱结构，而傅里叶基于全局滤波模块高效地建模长程依赖并抑制噪声。为进一步缓解 HSIC 中常见的严重类别不平衡问题，HGFNet 集成了自适应焦点损失（AFL），动态调整类别级聚焦与加权，提高对欠代表类别的辨识能力。
引用
@article{arxiv.2603.16426,
title = {3D Fourier-based Global Feature Extraction for Hyperspectral Image Classification},
author = {Muhammad Ahmad},
journal= {arXiv preprint arXiv:2603.16426},
year = {2026}
}