编辑推荐：
在高光谱图像分类（HSIC）中，传统方法存在局限，CNN 难以捕捉全局特征，Transformer 计算复杂。研究人员提出混合卷积跨补丁保留网络（HCCRN）。实验表明该模型性能优异，提升了分类精度与效率，为 HSIC 研究提供新方向。
高光谱图像（HSI）在遥感和地球观测等领域有着广泛应用，像城市规划、环境监测、地质测绘和作物管理等。然而，在高光谱图像分类（HSIC）任务中，面临着像素级分类性能和计算效率的双重挑战。传统的 HSIC 方法依赖手工制作的特征，其表示能力有限。卷积神经网络（CNN）虽能共享参数和捕捉局部信息，但无法捕获全局光谱和空间属性，难以建模长距离依赖关系。基于 Transformer 的网络虽能捕捉全局信息，但自注意力过程的二次复杂性和计算限制，使其难以高效地从高维 HSI 中提取长序列空间和光谱信息。为了解决这些问题，研究人员开展了基于混合卷积跨补丁保留网络（HCCRN）的高光谱图像分类研究。研究结果显示，该模型在多个基准数据集上表现出色，显著优于现有方法，提升了分类精度，降低了计算时间，这对于推动高光谱图像分类技术的发展具有重要意义，该研究成果发表在《Computer Vision and Image Understanding》。
研究人员在这项研究中用到的主要关键技术方法有：首先是混合卷积特征提取（HCFE）模块，结合 3D 卷积提取低层次光谱特征，2D 卷积提取空间 - 光谱特征，并利用残差连接解决网络深度带来的特征退化问题。其次是加权特征标记化模块，将获取的空间 - 光谱数据转换为语义标记。最后是跨补丁保留网络（CRN）模块，利用多头跨补丁保留（MHCR）机制捕捉输入标记之间的语义关系，丰富特征表示。
研究结果
- 模型结构设计：提出的 HCCRN 模型由 HCFE 模块、加权特征标记化模块和 CRN 模块组成。HCFE 模块通过结合 2D 卷积层、3D 卷积层和残差连接，能够提取高级融合的空间 - 光谱信息，并捕获低级光谱特征，解决了梯度消失问题，全面表示复杂的空间 - 光谱相互作用。加权特征标记化模块将数据转换为语义标记，输入到 CRN 模块。CRN 模块利用 MHCR 机制，从多个角度学习语义属性，促进光谱和空间特征的相互作用，提高信息融合和特征表示能力。
- 模型性能评估：使用三个公开的高光谱数据集（University of Pavia、Houston2013 和 WHU - Hi - HongHu 数据集）对 HCCRN 模型进行评估。采用 kappa 系数（K）、平均准确率（AA）和总体准确率（OA）三个评估指标，在 NVIDIA GeForce RTX 4090 和 PyTorch 框架下进行测试。结果表明，HCCRN 方法显著优于当前最先进的方法，在减少计算时间的同时提高了分类准确率。
研究结论和讨论
传统基于 CNN 的方法在利用深度语义特征方面能力有限，而传统基于 Transformer 的方法由于自注意力机制的二次计算复杂性，影响了分类性能。本研究提出的基于 RetNet 的 HCCRN 结构，包含 HCFE、标记化和 CRN 模块。HCFE 模块有效捕捉光谱 - 空间信息，CRN 模块利用 MHCR 机制提取高级语义属性。实验结果证明，HCCRN 在多个基准数据集上性能卓越，展现了其在 HSIC 任务中的泛化性和鲁棒性。这一研究成果为高光谱图像分类提供了新的解决方案，推动了该领域的技术发展，有助于提升相关应用领域的研究和实践水平。
