点击次数：

DOI码：10.3788/LOP220921

发表刊物：激光与光电子学进展

关键字：图像处理；高光谱遥感；残差网络；注意力机制；Transformer；感受野

摘要：卷积神经网络（CNNs）在高光谱图像分类中已经取得了令人瞩目的成果。但由于卷积运算的局限性，CNNs 并不
能很好地进行上下文信息交互。为了解决远距离捕获高光谱序列关系的问题，本文将 Transformer 用于高光谱分类。提出了一种基于 Swin Transformer 的多尺度混合光谱注意力模型（SMSaNet）。在提出的 SMSaNet 中使用多尺度光谱增强残差融合模块和光谱注意力模块对光谱特征进行建模，使用改进的 Swin Transformer 模块来提取空间特征，最后使用全连接层实现对高光谱图像的分类。在两个公开数据集 Indian Pines 和 University of Pavia 上将 SMSaNet 与其他 5 种分类方法进行对比实验，结果表明 SMSaNet获得了最优的分类效果，总体分类精度分别达到了 99. 51% 和 99. 56%。

论文类型：期刊论文

是否译文：否