HSLiNets：基于高效双向非线性特征学习网络的高光谱图像与 LiDAR 数据融合
计算机视觉与模式识别
2024-12-04 v2 图像与视频处理
摘要
将高光谱成像(HSI)和 LiDAR 数据整合到新的线性特征空间中，可为解决 HSI 高维性和冗余性所带来的挑战提供有前景的解决方案。本研究引入双线性融合空间框架，利用双向反向卷积神经网络(CNN)路径，配合专门的空间分析模块。该方法将 CNN 的计算效率与注意力机制的灵活性相结合，有效融合谱域和空间信息。该方法不仅提高了数据处理和分类精度，也减轻了了像 Transformer 等高级模型通常产生的计算负担。对 Houston 2013 数据集的评估表明，我们的方法优于现有的旁路方法。这一进步凸显了该框架在资源受限环境中的潜力，以及其在遥感领域的重要贡献。
引用
@article{arxiv.2412.00302,
title = {HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks},
author = {Judy X Yang and Jing Wang and Chen Hong Sui and Zekun Long and Jun Zhou},
journal= {arXiv preprint arXiv:2412.00302},
year = {2024}
}
备注
5 pages, 2 figues