MixerCA：用于高性能高光谱图像分类的高效准确模型
计算机视觉与模式识别
2026-04-30 v1
摘要
过去十年来，高光谱图像（HSI）分类因其能够通过捕获详细的连续光谱信息来有效区分陆地目标而引起广泛关注。近年来深度学习技术在图像分类和语义分割等任务中表现突出，由于其能够比传统方法更有效地捕获复杂的空间和光谱特征，使其在HSI分类中日益受到青睐。本文提出了MixerCA，一种 novel 轻量级HSI分类模型，利用深度可分离卷积和自注意力机制。MixerCA将深度可分离卷积、token和通道混合，以及坐标注意力整合为统一结构，以解耦空间和通道相互作用，保持网络中一致的分辨率，并直接处理HSI块。在四个高光谱基准数据集上进行的广泛实验表明，MixerCA相对于多个竞争算法具有显著优势，包括2D-CNN、3D-CNN、Tri-CNN、HybridSN、ViT和Swin Transformer。源代码已公开available at https://github.com/mqalkhatib/MixerCA。
引用
@article{arxiv.2604.26138,
title = {MixerCA: An Efficient and Accurate Model for High-Performance Hyperspectral Image Classification},
author = {Mohammed Q. Alkhatib and Ali Jamali},
journal= {arXiv preprint arXiv:2604.26138},
year = {2026}
}
备注
Preprint accepted for publication in "Remote Sensing Applications: Society and Environment" Journal