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1200字，阅读约需3分钟。
📝
内容提要
本研究提出了多种高光谱图像分类方法，包括基于三波段图像的端到端分割网络、混合神经网络（CMTs）、3D卷积引导的光谱-空间Transformer（3D-ConvSST）和多尺度光谱空间卷积Transformer（MultiscaleFormer）。实验结果显示，这些新方法在分类性能上优于传统模型，尤其在处理噪声时表现突出。
❓
Q&A
CMTNet是什么？
CMTNet是一种新型混合神经网络，通过捕捉长程依赖和建模本地特征，实现高精度和低计算成本的高光谱图像分类。
3D卷积引导的光谱-空间Transformer有什么优势？
3D卷积引导的光谱-空间Transformer通过融合局部空间和光谱信息，增强特征传递，分类性能优越。
多尺度光谱空间卷积Transformer如何提高分类性能？
多尺度光谱空间卷积Transformer通过多尺度空间补丁和光谱表示捕捉信息，结合改进的光谱空间CAF模块进行信息融合，从而提高分类性能。
DiffSpectralNet的创新点是什么？
DiffSpectralNet结合扩散和变换器技术，利用无监督学习和预训练去噪U-Net提取特征，实现了超越现有方法的性能。
如何通过PCA预处理超光谱数据集？
通过应用PCA对超光谱数据集进行降维，结合深度学习模型进行分类，以降低训练时间并减少对标记数据集的依赖。
这些新方法在处理噪声时表现如何？
这些新方法在处理噪声时表现突出，尤其是3D卷积神经网络在高光谱图像受加性噪声干扰时表现出色。
🏷️
