.png){kind=icon}
返回
Enhancing hyperspectral image classification: DeepXTE for efficient semantic feature extraction
.png){kind=icon}
PRE
AI
DOI：10.1007/s00138-026-01796-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分类对于准确识别像素级土地覆盖类别至关重要。尽管卷积神经网络（CNN）已提升分类性能，但更深层次架构常面临计算开销大及捕捉复杂语义表示的挑战。为解决这些问题，我们提出DeepXTE，一种高效且高性能的分类框架，该框架整合了增强型Transformer架构与增强型Xception模块的深度可分离卷积能力。DeepXTE采用双分支设计，利用2D和3D卷积提取丰富的光谱-空间信息。Xception模块在传递特征至Transformer编码器前对其进行细化，增强了模型学习有意义表示的能力。在三个基准HSI数据集（Indian Pines、Pavia University和Houston）上进行评估，DeepXTE分别实现了98.31%、99.62%和99.16%的整体准确率，在准确性和效率两方面均显著优于当前最优方法。这些发现表明DeepXTE在减少计算开销的同时实现了高分类性能，确立了其在实际高光谱图像分析应用中的可行性。本工作的代码将发布于https://github.com/SushilNit01/DeepXTE。
Keyword:
Hyperspectral image classification
Spectral-spatial feature extraction
Pixel-level land-cover mapping
Transformer encoder
Permutation mechanism
期刊
M
IF:
2.3
论文数:
100
被引数:
2.7K
机构
引用论文
.png){kind=icon}
分享收藏Local Manifold Learning-Based k-Nearest-Neighbor for Hyperspectral Image Classification基于局部流形学习的k近邻高光谱图像分类
PREAI
分享收藏Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture高光谱成像技术及其在农业中的应用研究进展
OAAI
OAAI分享收藏
查看更多内容