SDTN 与 TRN：面向高光谱图像分类的自适应光谱-空域特征提取
计算机视觉与模式识别
2025-07-15 v1 人工智能
摘要
高光谱图像分类在精密农业中发挥着关键作用，为作物健康监测、病害检测和土壤分析提供准确的洞察。然而，传统方法在面对高维数据、光谱-空域冗余以及标注样本稀缺时，往往难以达到最佳效果。为此，我们提出了自适应张量正则化网络（Self-Adaptive Tensor-Regularized Network, SDTN），其结合了张量分解与正则化机制，动态调整张量秩，以确保针对数据复杂度优化的特征表示。基于 SDTN，我们进一步提出了张量正则化网络（Tensor-Regularized Network, TRN），将 SDTN 提取的特征整合到一种轻量化网络中， capable of 在多尺度上捕获光谱-空域特征。该方法不仅保持高的分类准确率，还显著降低了计算复杂度，使该框架在资源受限的环境中具有高度适用性。在 PaviaU 数据集上的实验表明，与当前最先进的方法相比，该方法在准确率和模型参数数量方面均实现了显著提升。
引用
@article{arxiv.2507.09492,
title = {SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification},
author = {Fuyin Ye and Erwen Yao and Jianyong Chen and Fengmei He and Junxiang Zhang and Lihao Ni},
journal= {arXiv preprint arXiv:2507.09492},
year = {2025}
}
备注
4 pages, 2 figures