超轻量级渐进式特征解缠与重组网络在高光谱图像分类中的应用

《Neural Networks》：Ultralightweight Progressive Feature Disentanglement and Recomposition Network for Hyperspectral Image Classification

　　

Delong Kong|Shichao Zhang|Xiang Yu|Yanshuang Lu|Shanshan Yang|Jiahua Zhang

摘要

基于深度学习的高光谱图像分类（DL-HSIC）需要在保持计算可行性和分类性能平衡的同时，具备高度区分性的空间-光谱表示能力。然而，现有的DL-HSIC方法通常存在参数过多和推理延迟过长的问题，这限制了其在资源受限场景中的应用。为了解决这一挑战，本研究提出了一种新型的超轻量级渐进式特征解耦与重构网络（ULite-FDRNet），该网络在表示能力、参数效率和分类性能之间实现了更好的平衡。ULite-FDRNet基于统一的特征解耦与重构（FDR）框架，包含三个紧凑的模块：（1）FDRConv2D/3D用于高效提取局部空间细节并保留光谱依赖性；（2）超轻量级轴向多尺度FDR 3D卷积（ScaleFDR3D）引入了轴向敏感的核函数，以增强空间-光谱解耦特征的多尺度多样性；（3）三轴协同FDR注意力模块（TriSFDR）将注意力分解为垂直、水平和光谱三个独立轴，从而实现全局空间注意力和粗细粒度的光谱注意力。这些组件使得特征学习能够从浅层逐步发展到多尺度乃至全局层面。在四个高光谱图像（HSI）基准测试上的广泛实验表明，ULite-FDRNet在参数数量大幅减少的情况下仍保持了优异的准确率，从而实现了更快的推理速度和更实用的应用。具体而言，ULite-FDRNet在仅使用1.93 K、2.05 K、3.51 K和0.86 K参数的情况下，分别取得了98.24%、97.83%、97.47%和99.57%的总体准确率。源代码将在https://github.com/DelonKong/ULite_FDRNet上发布。