Cross dimensional deep fusion learning for an efficient hyperspectral image classification

方法

自适应注意力融合机制，动态整合光谱与空间特征，替代简单加性融合。

发现

跨维交互融合增强特征判别力，对光谱变异更鲁棒，分类优于基线SclusterFormer。

机会点

可将CDSSF用于作物精细分类与胁迫识别，探索轻量化跨维融合在星载高光谱的落地。

高光谱图像（HSI）分类是遥感应用中日益增长的需求。空间与光谱线索的提取及其相关性对于高光谱图像分类至关重要。已有显著研究进展致力于应对高光谱图像分类中的挑战，包括像素边界对应关系、光谱波段相似性以及高维问题。近期方法，特别是SclusterFormer，主要聚焦于这些问题，并在高光谱图像分类中取得了显著改进。该方法通过基于聚类的注意力机制有效利用光谱与空间信息，并独立处理特征后通过简单的加性融合策略进行组合，这限制了其建模跨维度依赖关系的能力。为解决上述局限，提出了一种跨维度光谱-空间融合框架（CDSSF）。所提方法引入了一种自适应注意力融合机制，能够动态整合光谱与空间特征，实现跨维度的有效交互。这增强了特征判别能力，提升了对光谱变异性的鲁棒性，并相较于基线模型取得了更优的分类性能。