本文介绍了一种包括两个卷积块、一个 Gate-Shift-Fuse（GSF）块和一个 transformer 块的高光谱图像分类模型，通过在局部特征提取方面利用 CNN 的优势以及在远程上下文建模方面利用 transformer 的优势，该模型提供了对高层语义特征的提取能力。同时，提出了一个强化局部和全局空间 - 光谱特征提取的 GSF 块以及一个有效的注意力机制模块，该方法在四个知名数据集上进行了评估，包括 Indian Pines、Pavia University、WHU-WHU-Hi-LongKou 和 WHU-Hi-HanChuan，结果表明该框架相较于其他模型具有更好的效果。

Jun, 2024

我们提出了一种基于 3D 卷积引导的光谱 - 空间 Transformer（3D-ConvSST）的高光谱图像分类方法，该方法利用 3D 卷积引导的残差模块（CGRM）在编码器之间来 “融合” 局部空间和光谱信息以增强特征传递，并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验，证明了所提出模型相比传统的、卷积和 Transformer 模型的优越性。

Apr, 2024

通过不重叠采样来评估最新模型的关键性，本文提出了一种创新的不重叠采样方法，用于超光谱图像分类任务的最新模型训练，通过分离训练、验证和测试数据，消除了数据泄露，提供了可靠的指标来评估模型在超光谱图像分类中的进展和应用。

Apr, 2024

该论文提出了一种基于 Transformer 的 CST 方法，首次将 HSI 稀疏性嵌入到深度学习中进行重建，使用 SA-MSA 进行粗细层次的像素聚类和自相似性捕捉，相比于现有方法具有更高的重建性能和更低的计算成本。

Mar, 2022

通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示，本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性，这些附加信息改善了现有 HSI 数据集上模型的性能，并使其难以正确评估模型的能力。作者引入空间过拟合问题，并利用严格的实验设置来避免该问题。除此之外，论文还提出了一种用于 HSI 分类的多视图变换器，包括多视图主成分分析（MPCA）、光谱编码器 - 解码器（SED）和空间池化标记化变形器（SPTT）。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI，MPCA 能够提取低维视图表示，这些视图表示的组合被称为多视图表示，并作为 MPCA 的输出进行传递。为了聚合多视图信息，论文引入了具有在光谱维度上呈 U 形状的全卷积 SED，用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记，并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行，实验结果表明，所提出的多视图变换器优于现有方法，经过严格设置的三个 HSI 数据集上都取得了优越的性能。

Oct, 2023

通过提出单向调整（SDT）策略，我们解决了视觉 Transformer (ViT) 模型在高光谱成像 (HSI) 分类中训练样本数量有限的矛盾；此外，我们引入了一种新的 Tri-Former，并进行了比较实验证明其在多个 HSI 数据集上表现优于其它同类方法。

Sep, 2023

提出了一种名为 SaaFormer 的新型用于处理高光谱图像分类的深度学习模型，采用块状采样方法来减少数据泄露，该模型包含两个主要组成部分：轴向聚合注意力和多级光谱 - 空间提取结构。在六个公开数据集上的结果表明，在块状采样分区时，该模型的性能明显优于其他方法。

Jun, 2023

本研究提出了一种基于三波段图像生成、端到端分割网络和集成学习方法的高光谱图像分类方案，能够优于现有最先进的方法。

Apr, 2023

我们提出了一种基于金字塔形式的分层 Transformer 模型 (PyFormer)，用于提高高光谱图像分类的处理效率和抽象传播能力。实验结果显示，这种方法在提高传统方法的基础上有着更好的优势，并且通过集成不同层级的输出，进一步增强了鲁棒性和可靠性，从而展示了我们的方法在推动高光谱图像分类方面的潜力。

Apr, 2024

通过构建一种跨域空间 - 谱域的转换器来提高超光谱图像的空间分辨率，该转换器能够有效地捕捉远程相关性。

Nov, 2023