DSXFormer：用于高光谱图像分类的双池化光谱挤压-扩张和动态上下文注意力 Transformer
计算机视觉与模式识别
2026-02-03 v1 人工智能
摘要
高光谱图像分类（HSIC）是由于高光谱维度、复杂的光谱-空间相关性以及有限的标记训练样本而具有挑战性的任务。虽然 transformer 模型在 HSIC 中显示出巨大的潜力，但现有方法往往难以在保持计算效率的同时实现充分的光谱判别性。为此，我们提出了一种新型 DSXFormer，即一种 novel dual-pooling spectral squeeze-expansion transformer，集成 Dynamic Context Attention，用于 HSIC。proposed DSXFormer 引入 Dual-Pooling Spectral Squeeze-Expansion（DSX）模块，利用全局平均池化和最大池化的互补性来自适应校准光谱特征通道，从而增强光谱判别性和带间依赖性建模。此外，DSXFormer 在基于窗口的 transformer 架构中整合 Dynamic Context Attention（DCA）机制，以动态捕获局部光谱-空间关系，同时显著降低计算开销。DSX 双池化挤压-扩张与 DCA 的联合集成使 DSXFormer 能够实现光谱关注和空间上下文表征之间的有效平衡。此外，还采用 patch 提取、嵌入和 patch 合并策略，以便于高效的多尺度特征学习。在四个广泛使用的高光谱基准数据集上进行的大量实验表明，DSXFormer 在所有指标上均一致优于当前最先进的方法，分别实现了 99.95%、98.91%、99.85% 和 98.52% 的分类准确率。
引用
@article{arxiv.2602.01906,
title = {DSXFormer: Dual-Pooling Spectral Squeeze-Expansion and Dynamic Context Attention Transformer for Hyperspectral Image Classification},
author = {Farhan Ullah and Irfan Ullah and Khalil Khan and Giovanni Pau and JaKeoung Koo},
journal= {arXiv preprint arXiv:2602.01906},
year = {2026}
}