CMTNet：卷积与 Transformer 网络的 hyperspectral 图像分类融合方法
计算机视觉与模式识别
2025-01-13 v4 图形学
摘要
草地遥感（HIS）使能够详细捕获地表表面的光谱信息，促进了对作物进行精确分类和识别 due to its superior spectral diagnostic capabilities。然而，当前的卷积神经网络（CNN）专注于 hyperspectral 数据中的局部特征，导致在分类复杂作物类型和解决不平衡样本分布时性能次优。相比之下，Transformer 框架在从 hyperspectral 图像中提取全局特征方面表现更好。为利用两种方法的优势，本研究提出了 Convolutional Meet Transformer Network（CMTNet）。这种创新模型包括用于浅层特征捕获的光谱-空间特征提取模块、结合 CNN 和 Transformer 分支用于局部和全局特征提取的双分支结构，以及通过多输出损失计算和跨局部、国际和联合特征之间的交叉约束来增强分类准确性的多输出约束模块。在三个数据集（WHU-Hi-LongKou、WHU-Hi-HanChuan 和 WHU-Hi-HongHu）上的大量实验表明，CTDBNet 在分类性能上显著优于其他最新网络，验证了其在 hyperspectral 作物分类中的有效性。
引用
@article{arxiv.2406.14080,
title = {CMTNet: Convolutional Meets Transformer Network for Hyperspectral Images Classification},
author = {Faxu Guo and Quan Feng and Sen Yang and Wanxia Yang},
journal= {arXiv preprint arXiv:2406.14080},
year = {2025}
}
备注
We have decided to withdraw this article due to significant adjustments in the research direction. The current manuscript no longer reflects the final conclusions of our study. We plan to revise and resubmit the work in the future.