SAT-3DCNN：将光谱注意力机制与基于Transformer的建模方法相结合，用于高光谱遥感技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：SAT-3DCNN: Unifying Spectral Attention and Transformer-based Modeling for Hyperspectral Remote Sensing

　　

摘要：

高光谱成像（HSI）已成为跨多个领域的革命性技术，包括矿产勘探、精准农业、环境监测和医学诊断。然而，HSI分类的潜力往往受到三个根本性障碍的限制：高光谱维度（“维度灾难”）、连续波段之间的显著光谱冗余以及较大的类间相似性。这些挑战使得难以区分具有几乎相同光谱特征的材料，因此需要开发出鲁棒且具有对抗性的分类模型。为了解决这些问题，本文提出了一种新的光谱注意力变换器-三维卷积神经网络（SAT-3DCNN），该模型将光谱注意力、多尺度三维卷积、空间注意力和基于变换器的光谱建模结合到一个统一的框架中。所提出的结构能够联合学习 discrimination 性的局部光谱-空间特征以及光谱的远距离依赖性，而这些在传统的基于卷积的框架中通常被忽略。通过全面评估两个常见的高光谱基准数据集——Salinas 和 Indian Pines，来检验所提出方法的性能。实验研究结果表明，SAT-3DCNN 在所有评估指标上均优于现有的 2D-CNN、基础 3D-CNN 和增强注意力的 3D-CNN 方法。具体来说，该模型在 Salinas 和 Indian Pines 数据集上的整体分类准确率分别为 99.12% 和 99.83%，F1 分数超过 0.99。这些发现凸显了 SAT-3DCNN 在处理高光谱图像中的复杂光谱-空间分布和类别不平衡问题时的鲁棒性和良好泛化能力。