SpectraFuse GAT and bipolar self-attention fusion network for hyperspectral image classification

doi:10.13741/j.cnki.11-1879/o4.2025.03.017

您当前的位置：

首页 >

文章列表页 >

SpectraFuse GAT and bipolar self-attention fusion network for hyperspectral image classification

更新时间：2025-09-01

- SpectraFuse GAT and bipolar self-attention fusion network for hyperspectral image classification
- Vol. 51, Issue 3, Pages: 367-376(2025)
- 作者机构：
  
  1:云南大学信息学院VMC实验室
- 作者简介：
- 基金信息：
- DOI：10.13741/j.cnki.11-1879/o4.2025.03.017
  CLC： TP183;TP391.41
- Published：2025
- 稿件说明：
移动端阅览
SpectraFuse GAT and bipolar self-attention fusion network for hyperspectral image classification[J]. 2025, 51(3): 367-376.
DOI：

SpectraFuse GAT and bipolar self-attention fusion network for hyperspectral image classification[J]. 2025, 51(3): 367-376. DOI： 10.13741/j.cnki.11-1879/o4.2025.03.017.

摘要

高光谱图像分类近年来受到广泛关注，尤其是卷积神经网络(CNN)和图神经网络(GNN)的应用取得了显著进展。CNN处理小型规则区域的像素信息，而GNN则擅长捕捉不规则区域的超像素特征。为了结合二者优势，提出了一种名为光谱融合GAT与双极自注意力融合的高光谱分类网络(SGBF)

该网络整合了双极自注意力CNN和光谱融合图注意力，用于高质量高光谱分类。在图神经网络组件中引入了光谱融合图注意力网络(SGAT)

并开发了光谱精炼模块(SRM)以提高光谱信息的提取能力。在CNN组件中，加入了双极自注意力机制(BSA)来捕捉空间-光谱信息。实验结果显示，SGBF在多个数据集上表现出色，在Indian Pines数据集上，SGBF的分类精度达到了91.59%

比单独的CNN或GNN方法分别提高了13.2%和12.23%

在PaviaU数据集上，精度为98.54%

超越现有最佳方法2.37%

这些结果验证了SGBF在高光谱图像分类中的优越性和鲁棒性。

Abstract

关键词

Keywords

references

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Classification model of dominant species in desertification grassland based on hyperspectral remote sensing

Brain image registration method based on low-resolution auxiliary features and convolutional neural network

Surface defect detection of polarizer based on improved Faster-RCNN

Concealed object detection from millimeter wave images based on DSA-BCNN

Denoising process for image impulse noise based on dual-channel neural networks

Related Author

康拥朝

刘浩

皮伟强

杨红艳

毕玉革

张锡鹏

王远军

薛湛琦

Related Institution

1:内蒙古农业大学机电学院

1:上海理工大学医学影像工程研究所

2:苏州市智能测控工程技术研究中心

1:苏州科技大学电子与信息工程学院

3:擎翌(上海)智能科技有限公司

⁰