EnergyFormer：用于高光谱图像分类的基于傅里叶嵌入的能量注意力机制
计算机视觉与模式识别
2025-08-12 v1
摘要
高光谱成像（HSI）提供跨越数百个连续波段的丰富光谱-空间信息，能够在环境监测、农业和城市分析等应用中实现精确的材料区分。然而，HSI 数据的高维性和光谱变异性给特征提取和分类带来了重大挑战。本文提出了 EnergyFormer，这是一个基于 Transformer 的框架，旨在通过三项关键创新来解决这些挑战：（1）多头能量注意力（MHEA），通过优化能量函数选择性地增强关键的光谱-空间特征，从而改善特征区分度；（2）傅里叶位置嵌入，自适应地编码光谱和空间依赖关系以强化长距离交互；（3）增强型卷积块注意力模块（ECBAM），选择性地放大信息丰富的波长波段和空间结构，增强表示学习。在 WHU-Hi-HanChuan、Salinas 和 Pavia University 数据集上的大量实验表明，EnergyFormer 分别实现了 99.28%、98.63% 和 98.72% 的卓越总体准确率，优于最先进的 CNN、Transformer 和基于 Mamba 的模型。源代码将在 https://github.com/mahmad000 上提供。
引用
@article{arxiv.2503.08239,
title = {EnergyFormer: Energy Attention with Fourier Embedding for Hyperspectral Image Classification},
author = {Saad Sohail and Muhammad Usama and Usman Ghous and Manuel Mazzara and Salvatore Distefano and Muhammad Ahmad},
journal= {arXiv preprint arXiv:2503.08239},
year = {2025}
}