Frequency-Aware Kernel-Centered Prior Attention Network for Hyperspectral Image Classification

Xiangyu Wang

doi:10.1109/tgrs.2026.3728392

Frequency-Aware Kernel-Centered Prior Attention Network for Hyperspectral Image Classification

2026-08-28

0

PRE

AI

DOI：10.1109/tgrs.2026.3728392

原文链接

原文求助

摘要

En 中文

高光谱图像（HSI）分类仍然具有挑战性，因为土地覆盖过渡区域、混合像素和材料边界处的局部判别特征往往被欠建模，而全局注意力可能被空间上不连续但光谱相似的区域所干扰。为解决这些问题，本文提出了一种基于频率感知核中心的先验注意力网络（FKCPA-Net）用于HSI分类。该网络首先构建多尺度光谱-空间表示以捕捉不同粒度下的光谱连续性。然后通过频率感知的光谱-空间融合策略增强局部判别能力，该策略结合了三维离散余弦变换（DCT）高通增强、通道重校准和跨组光谱-空间交互，从而强化边界、纹理和混合像素表示。为改善全局上下文建模，核中心先验注意力（KCPA）机制引入互补结构先验和相对空间距离偏置到双路径注意力中，并在归一化过程中选择性保留强相关标记的交互。在Indian Pines（IPs）、Botswana（BS）、WHU-Hi-LongKou（LK）和HuangHeKou（HHK）数据集上的实验分别获得总体准确率99.195%、99.846%、98.992%和98.111%。附加分析表明，FKCPA-Net生成更具空间一致性的分类图，并在有限训练样本下保持鲁棒性，证明了其在复杂HSI场景中的有效性。代码可在https://github.com/DEVM369/FKCPA-Net获取。

Keyword:

Attention mechanism

frequency-aware modeling

hyperspectral image (HSI) classification

spectral–spatial feature learning

structural prior

Frequency-Aware Kernel-Centered Prior Attention Network for Hyperspectral Image Classification

摘要

期刊

机构

引用论文