LGEST：面向高光谱图像分类的动态空间-光谱专家路由
计算机视觉与模式识别
2026-03-26 v1
摘要
深度学习方法，包括卷积神经网络、Transformer 和 Mamba，已在高光谱图像（HSI）分类中取得显著成果。然而，现有方法在灵活集成局部-全局表征方面不足，难以处理异构波段间的光谱-空间尺度差异，且易受高维样本异质性下的 Hughes 现象影响。为此，我们提出 Local-Global Expert Spatial-Spectral Transformer（LGEST），一个新型框架，融合三个关键创新。LGEST 首先采用 Deep Spatial-Spectral Autoencoder（DSAE）生成紧凑且具判别性的嵌入，通过层次非线性压缩，保留 3D 邻域一致性，同时减轻高维空间中的信息损失。其次，Cross-Interactive Mixed Expert Feature Pyramid（CIEM-FPN）利用跨注意力机制和残差混合专家层，动态融合多尺度特征，通过可学习门控函数自适应加权光谱判别性和空间显著性。最后，Local-Global Expert System（LGES）通过稀疏激活的专家对处理分解特征：卷积子专家捕获细粒度纹理，而 Transformer 子专家建模长程上下文依赖，路由控制器根据实时特征显著性动态选择专家。在四个基准数据集上的大量实验表明，LGEST 在所有指标上均稳居最先进水平。
引用
@article{arxiv.2603.24045,
title = {LGEST: Dynamic Spatial-Spectral Expert Routing for Hyperspectral Image Classification},
author = {Jiawen Wen and Suixuan Qiu and Zihang Luo and Xiaofei Yang and Haotian Shi},
journal= {arXiv preprint arXiv:2603.24045},
year = {2026}
}