SSLANet: A Frequency–Spatial Visual System for Efficient Hyperspectral Image Classification

doi:10.1109/tgrs.2026.3739515

SSLANet: A Frequency–Spatial Visual System for Efficient Hyperspectral Image Classification

2026-10-01

0

PRE

AI

DOI：10.1109/tgrs.2026.3739515

原文链接

原文求助

摘要

En 中文

高光谱图像分类需要一种紧凑的表示方法，能够联合捕获判别性光谱特征、局部空间结构和在有限标注下的高效推理行为。现有的基于CNN的方法提供了有效的局部模式提取，但在建模长程光谱依赖关系方面能力有限。基于Transformer的模型虽然改善了全局交互，但代价是巨大的计算开销，而近期状态空间模型通常将高光谱数据表述为空间-光谱序列，仍未充分探索变换域中的光谱变化。为解决这些局限性，我们提出了一种光谱-空间学习自适应网络（SSLANet），这是一种用于高光谱图像分类的高效频域-空间学习网络。其核心组件是残差频域-空间层，该层整合了自适应光谱块（ASB）和交互卷积块（ICB）。ASB通过输入相关的频域能量选择执行可学习的复值光谱调制以增强材料敏感的光谱响应，而ICB则通过乘法空间-通道交互将过滤后的特征传播到局部邻域。这种设计不同于固定的变换域预处理，其频域响应通过软掩码和隐含频域中的有效传递函数，依据当前输入特征分布进行条件化。在三个公开高光谱基准数据集上的广泛实验表明，SSLANet在保持有竞争力的分类精度的同时具有优良的运算效率。源代码可访问 https://github.com/NELUJA86/SSLANet。

Keyword:

Frequency-domain learning

hyperspectral image classification

learnable spectral filtering

spectral–spatial interaction

SSLANet: A Frequency–Spatial Visual System for Efficient Hyperspectral Image Classification

摘要

期刊

机构

引用论文