当前位置：首页 > news >正文

【文献25/03/26】Hyperspectral Image Transformer Classification Networks

news 来源：原创 2025/7/20 13:57:53

高光谱图像Transformer分类网络

Hyperspectral Image Transformer Classification Networks | IEEE Journals & Magazine | IEEE Xplore

摘要

高光谱图像（HSI）分类是地球观测任务中的一项重要工作。

卷积神经网络（CNN）凭借其强大的特征抽取能力，在HSI分类任务中表现突出。

然而，现有的基于CNN的方法无法充分挖掘光谱特征的序列属性，阻碍了HSI分类性能的进一步提升。

本文提出了一种高光谱图像Transformer（HiT）分类网络，通过将卷积操作嵌入到Transformer结构中，以捕捉细微的光谱差异并传递局部空间上下文信息。

HiT由两个关键模块组成，即光谱自适应3-D卷积投影模块和卷积置换器（ConV-Permutator），用于提取细微的空间-光谱差异。

光谱自适应3-D卷积投影模块使用两个光谱自适应3-D卷积层而不是线性投影层，从HSI中生成局部空间-光谱信息。
此外，Conv-Permutator模块利用深度卷积操作分别沿高度、宽度和光谱维度对空间-光谱表示进行编码。

在四个基准HSI数据集（包括印度松、帕维亚大学、休斯顿2013和雄安（XA）数据集）上的大量实验表明，所提出的HiT在现有的Transformer和最先进的基于CNN的方法中具有优越性。

为便于复现，我们的代码可在https://github.com/xiachangxue/DeepHyperX获取。

1-引言

利用SACP模块从输入的高光谱影像（HSIs）中提取局部空间-光谱融合表示，并使用Conv-Permutator模块对这些表示进行编码。
•SACP模块旨在提取局部空间信息并自适应捕捉长期光谱信息。
•Conv-Permutator模块则可以分别沿高度、宽度和光谱维度对表示进行编码。

1.1) 我们提出了一种新颖的基于Transformer框架的高光谱图像分类方法，称为HiT。据我们所知，本文是首次将视觉Transformer与卷积操作应用于高光谱图像分类。
2.2) 我们提出了一个自适应提取光谱信息的SACP模块，并进一步捕获光谱-空间融合信息。据我们所知，本文是首次采用3-D卷积操作对输入的高光谱图像进行投影。
3.3) 我们提出了一个新模块，称为Conv-Permutator，通过分别沿高度、宽度和光谱维度对输入表示进行编码，以捕获更多的光谱-空间信息。
4.4) 基于四个基准数据集的实验结果表明，所提出的HiT在性能上优于最先进的Transformer框架和基于卷积神经网络的方法。

我们将本文的其余部分组织如下：

•第二部分讨论了基于深度学习的高光谱图像分类及Transformer网络的相关工作。
•第三部分简要介绍了所提出的HiT。
•第四部分说明了四个基准高光谱图像数据集、实验设置、实验结果及相应的分析。
•第五部分最后总结了结论并对未来的工作进行了简要展望。

2-相关工作

基于深度学习的高光谱图像分类方法

•尽管卷积神经网络（CNN）及其变体已经取得了令人鼓舞的分类结果，但它们固有的网络结构和对局部空间信息的过度关注，可能无法捕捉到更多有用的光谱序列信息。这将阻碍它们在高光谱图像分类任务中产生更高的分类准确率。

ViTs在图像分类中的应用

•然而，所有这些ViT都是为自然图像分类任务建立的。尽管存在一些基于Transformer的高光谱图像分类方法，但它们未能捕捉到高光谱图像分类任务中的局部光谱差异。

3-方法

A：HIT

•SACP模块，该模块使用光谱自适应3D卷积层提取局部空间信息和长期光谱信息，
•以及Conv-Permutator，该模块分别通过深度卷积层和点卷积层对高度、宽度和光谱维度的表示进行编码。
•因此，所提出的HiT可以增强局部空间-光谱信息的捕获容量，并在加深网络时减少局部信息损失。

B：SACP模块

•我们的SACP由两个光谱自适应的3-D卷积层构成，如图2所示，包含两个分支：局部空间分支L和全局光谱分支G。
•局部空间分支旨在学习空间位置敏感的重要性图，对于局部分支：它试图通过使用3D卷积来捕捉短期谱空间信息并关注重要特征。
•全局光谱分支则以卷积方式自适应地聚合光谱信息。对于全局分支：它旨在通过使用3D卷积层来整合长范围谱信息，以进行自适应谱聚合。

1.局部分支：它对空间位置敏感，旨在利用短期光谱动态执行局部空间-光谱特征抽取操作。如图2所示，局部分支由一系列带有分段线性单元的3-D卷积层构成[26]。
2.全局分支：它结合了全局光谱信息，并学会生成用于动态聚合的光谱自适应卷积核。
3.光谱自适应聚合：在此步骤中，我们通过结合局部分支和全局分支输出最终特征

C：卷积置换（ConvPermute）

我们的卷积-置换器模块由两个关键组件组成，即卷积置换和通道-多层感知机（MLP），分别用于编码局部空间信息和光谱信息。

•通道-MLP采用与ViP相似的结构，由两个全连接层和一个高斯误差线性单元（GELU）中间激活函数组成。
•与ViP中空间编码的类似处理方式，空间-光谱信息分别沿高度、宽度和光谱维度进行处理。与ViP不同的是，我们通过利用深度卷积和点卷积层而不是线性投影来提取空间-光谱表示。

SACP模块：该模块旨在提取输入图像的空间-光谱表示。SACP模块由两个分支组成：

•局部分支：专注于捕捉短期的空间-光谱信息，通过一系列3D卷积层进行局部特征提取。首先，对输入图像进行自适应平均池化，然后通过3D卷积学习重要性图，最后生成与光谱位置敏感的权重。
•全局分支：负责整合全局光谱信息，生成动态聚合的光谱自适应卷积核。这个分支使用1×1×1的3D卷积层来学习每个通道的自适应卷积核，从而建模全局光谱关系。

Conv-Permutator模块：该模块用于分别沿高度、宽度和光谱维度对特征进行编码。Conv-Permutator采用深度卷积和点卷积来捕捉空间和光谱相关性，最后通过元素相加的方式融合来自三个分支的输出特征，并通过全连接层进行重要性重校准。

总结：通过这两个模块，HiT能够增强局部空间-光谱信息的捕获能力，并减少在深层网络中可能出现的局部信息丢失。最后，经过全局平均池化层和全连接层的处理，完成类别预测。

4-实验

数据集描述：
- 本文使用了四个基准高光谱图像（HSI）数据集：Indian Pines、Houston2013、Pavia University（PaviaU）和Xiongan数据集。每个数据集的基本信息，包括图像尺寸、波段数量及类别数目等都进行了详细说明。例如，Indian Pines数据集包含145×145像素和220个波段，Houston2013数据集则由349×1905像素和144个波段组成。
实验设置：
- 实验中使用了多种评价指标来评估模型的性能，并与多种基准方法进行比较。具体的实验设置包括使用PyTorch平台进行模型实现，采用Adam优化器，并设置了相应的学习率和批处理大小。此外，还描述了不同模型的架构及其超参数配置。
实验结果与分析：
- HiT模型在各个数据集上的性能表现均优于现有的transformer基础方法和CNN基础方法。在Houston2013数据集上，HiT模型的表现达到了96.35%，优于其他多个方法。通过结果分析，强调了HiT模型在空间-光谱信息提取方面的优势，尤其是在长时间光谱信息的捕捉上。
消融研究：
- 通过对SACP模块和Conv-Permutator模块的消融研究，验证了这两个模块对模型性能的重要性。实验结果表明，使用SACP模块的HiT模型在分类准确率上表现最佳，说明了局部光谱信息对HSI分类任务的重要性。

补充：

1D、2D 和 3D 卷积

是卷积神经网络（CNN）中处理不同维度数据的核心操作，它们的区别和联系主要体现在输入数据的维度、卷积核的移动方式以及应用场景上。以下是详细对比：

基本区别

类型	输入数据维度	卷积核移动方式	输出维度	典型应用场景
1D卷积	`(Batch, Channels, Length)`	沿时间或序列方向滑动	`(Batch, Channels, Out_Length)`	文本、音频、时间序列（如传感器数据）
2D卷积	`(Batch, Channels, Height, Width)`	沿图像的高度和宽度方向滑动	`(Batch, Channels, Out_Height, Out_Width)`	图像处理（分类、分割、检测）
3D卷积	`(Batch, Channels, Depth, Height, Width)`	沿体积的深度、高度、宽度滑动	`(Batch, Channels, Out_Depth, Out_Height, Out_Width)`	视频、医学影像（如CT/MRI）

MLP 的全称是 Multilayer Perceptron（多层感知机），也称为 前馈神经网络（Feedforward Neural Network），是一种经典的 人工神经网络（Artificial Neural Network, ANN） 结构。

MLP 的基本结构

MLP 由 至少三层神经元（输入层、隐藏层、输出层） 组成，每一层由多个 神经元（Neurons） 构成，并通过 全连接（Fully Connected, FC） 方式传递信号。

输入层（Input Layer）：接收原始数据（如图像像素、文本向量等）。
隐藏层（Hidden Layers）：1 层或多层非线性变换，用于特征提取。
输出层（Output Layer）：生成预测结果（如分类概率、回归值等）。