.png){kind=icon}
返回
EDTST: Efficient Dynamic Token Selection Transformer for Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs17183180.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像以其丰富的光谱信息为特征，能够实现精确的像素级分类，因此在遥感应用中得到了广泛应用。尽管卷积神经网络（CNNs）已证明在高光谱图像处理中的有效性，但其有限的感受野限制了其捕捉长距离依赖关系的能力。Transformer在建模高光谱图像分类（HSIC）中的长距离特征方面表现优异。然而，它们往往忽视了局部光谱-空间特征的 有效表示，同时因大量与分类无关的token而产生计算冗余。为解决这些挑战，我们提出了EDTST，一种专为高效高光谱图像分类设计的最先进Vision Transformer架构。该模型利用大核3D卷积块提取深层光谱-空间特征。随后，一个2D卷积块进一步细化这些特征，接着采用一种具有动态token剪枝的新型注意力机制，通过聚焦于最相关的特征显著降低计算负载。该过程最终通过自适应平均池化层和全连接层进行分类。在四个标准高光谱数据集上的大量实验表明，EDTST实现了最高的分类精度，在WHU-Hi-HanChuan数据集上总体精度显著提高了3%，同时在所有过去三年中比较的最先进模型中，其训练和推理时间最短。这些结果验证了我们的方法在实现卓越性能的同时，显著提高了计算效率的有效性。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
7.7K
被引数:
15.1W
机构
引用论文
Zhao, E.; Su, Y.; Qu, N.; Wang, Y.; Gao, C.; Zeng, J. Self- and Cross-Attention Enhanced Transformer for Visible and Thermal Infrared Hyperspectral Image Classification. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 13408–13422. [Google Scholar] [CrossRef]赵, E.; 苏, Y.; 曲, N.; 王, Y.; 高, C.; 曾, J. 自注意力和交叉注意力增强的Transformer用于可见光和热红外高光谱图像分类。IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 13408–13422. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Zhang, Y.; Liang, L.; Mao, J.; Wang, Y.; Jia, L. From Global to Local: A Dual-Branch Structural Feature Extraction Method for Hyperspectral Image Classification. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 1778–1791. [Google Scholar] [CrossRef]张, Y.; 梁L.; 毛J.; 王, Y.; 贾L. 从全局到局部:一种用于高光谱图像分类的双分支结构特征提取方法. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 1778–1791. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Contour Structural Profiles: An Edge-Aware Feature Extractor for Hyperspectral Image Classification轮廓结构轮廓: 用于高光谱图像分类的边缘感知特征提取器
PREAI
分享收藏
查看更多内容