CMTNet: 运用卷积与变换器网络进行高光谱图像分类
原文中文,约300字,阅读约需1分钟。发表于: 。该研究介绍了一种新型模型 Convolutional Meet Transformer Network (CMTNet),它结合了卷积神经网络和 Transformer,在高光谱作物分类中表现出优越性能,通过光谱和空间特征提取模块、双分支结构、多输出约束模块等实现了全局和局部特征提取以及多输出损失计算与交叉约束,显著优于其他现有网络。
我们提出了一种基于3D卷积引导的光谱-空间Transformer(3D-ConvSST)的高光谱图像分类方法。该方法利用3D卷积引导的残差模块(CGRM)来融合局部空间和光谱信息,通过全局平均池化提取更具辨别力和相关性的高级特征进行分类。实验证明该模型优于传统的卷积和Transformer模型。