.png){kind=icon}
返回
MixerSENet: A Lightweight Framework for Efficient Hyperspectral Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3616338.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在本封信中，提出了一种用于高光谱图像（HSI）分类的新型框架MixerSENet，旨在解决计算效率有限和标签数据不足的挑战。所提出的模型在处理HSI块时，在整个网络中保持大小和分辨率的统一，有效解耦了空间和通道维度的混合。值得注意的是，MixerSENet轻量且计算高效，与传统模型相比参数更少，适用于资源受限的环境。模型中集成了挤压-激励（SE）块以优化特征提取，增强了网络捕获更多信息特征的能力。在两个基准数据集上的实验结果表明，MixerSENet取得了卓越的性能，在Houston13数据集上达到82.47%的整体准确率（OA），在Qingyun数据集上达到96.70%，超越了包括3D-CNN、Kolmogorov–Arnold网络（HybridKAN）、HSIFormer、SimPoolFormer和MorphMamba在内的当前最佳方法。此外，详细的计算效率分析显示，MixerSENet在准确性和效率之间实现了良好的平衡，仅需53,146个参数和低推理时间，证实了其在实际应用中的可行性。论文发表时，源代码将在https://github.com/mqalkhatib/MixerSENet上公开可用。
Keyword:
Attention block
depth-wise convolution
hyperspectral imaging (HSI) classification
mixer networks
期刊
I
IF:
4.4
论文数:
714
被引数:
0
机构
引用论文
.png){kind=icon}
SimPoolFormer: A two-stream vision transformer for hyperspectral image classificationSimPoolFormer: 一种用于高光谱图像分类的双流视觉转换器
PREAI
分享收藏Deep supervised learning for hyperspectral data classification through convolutional neural networks
PREAI
分享收藏A Review of Hyperspectral Image Classification Based on Joint Spatial-spectral Features基于联合空间-光谱特征的 hyperspectral image classification 的综述
OAAI
OAAI分享收藏
查看更多内容