基于 Transformer 的光谱-空间注意力解耦与自适应门控的高光谱图像分类
计算机视觉与模式识别
2025-06-12 v2
摘要
深度神经网络在高光谱图像分类中面临若干挑战，包括高维数据、地物分布稀疏和光谱冗余，这些往往导致分类过拟合并限制泛化能力。为了在 HSI 分类中更有效地提取和融合空间上下文与精细光谱信息，本文提出了一种名为 STNet 的新型网络架构。STNet 的核心优势源于其空间-光谱 Transformer 模块的双重创新设计：首先，空间和光谱注意力的基本显式解耦确保了对 HSI 中关键信息的针对性捕获；其次，两个功能不同的门控机制在注意力流的融合层面（自适应注意力融合门控）和特征变换的内部层面（GFFN）执行智能调节。与传统卷积神经网络相比，这一特性展现出更优越的特征提取和融合能力，同时降低了小样本和高噪声场景下的过拟合风险。STNet 在不增加网络深度或宽度的情况下增强了模型表示能力。所提出的方法在 IN、UP 和 KSC 数据集上展现出优越性能，优于主流的高光谱图像分类方法。
引用
@article{arxiv.2506.08324,
title = {Hyperspectral Image Classification via Transformer-based Spectral-Spatial Attention Decoupling and Adaptive Gating},
author = {Guandong Li and Mengxia Ye},
journal= {arXiv preprint arXiv:2506.08324},
year = {2025}
}
备注
arXiv admin note: substantial text overlap with arXiv:2504.15155, arXiv:2504.13045, arXiv:2503.23472