题目：Hyperspectral Image Classification via Cascaded Spatial Cross-Attention Network
期刊：IEEE Transactions on Image Processing
论文：https://ieeexplore.ieee.org/document/10857952
代码：https://github.com/WUTCM-Lab/CSCANet
年份：2025
创新点
-
级联空间交叉注意力（CSCA）模块：
级联不同光谱波段的信息，增强空间特征提取，避免信息丢失。
-
空间交叉注意力（SCA）机制：
结合
局部纹理
和
全局轮廓
，优化边界分类效果，减少过度平滑问题。
-
双分支特征分离结构：
分离
空间特征
和
光谱特征
，增强不同类别的区分度，提高分类准确率。
数据
-
Indian Pines
（20m，200波段，16类）
经典数据集，主要用于农田地物分类。
-
Xuzhou
（0.73m，436波段，9类）
高分辨率
城市遥感
数据，包含建筑、道路等类别。
-
WHU-Hi-HongHu
（0.043m，270波段，22类）
超高分辨率
湿地数据集，适用于复杂地物分类。
-
WHU-Hi-HanChuan
（0.109m，274波段，16类）
另一个高分辨率湿地数据集，挑战性较高。
方法
本文提出了一种新的级联空间交叉注意力网络（CSCANet），用于高光谱图像（HSI）分类。该方法结合级联注意力机制、空间-光谱特征分离和深度学习模型优化，提升分类精度和鲁棒性。
1.预处理
-
主成分分析（PCA）降维：由于高光谱图像的波段数较多，计算成本高，PCA被用于降维，减少冗余信息，同时保留主要特征（保留30个波段）。
-
局部补丁提取（PatchExtraction）：选取13×13像素块作为输入，以充分利用空间信息，提高分类能力。
2.网络架构
CSCANet主要包含级联空间交叉注意力（CSCA）模块和双分支空间-光谱特征分离结构，用于增强分类能力。
(1) 级联空间交叉注意力（CSCA）模块
该模块的核心目的是融合不同光谱波段的信息，同时保持空间特征的完整性。
-
组级联结构：将输入特征分组，逐步进行跨光谱注意力计算，使相邻光谱波段的信息互相补充，提高整体分类能力。
-
空间交叉注意力（SCA）：结合局部细节信息（纹理）和全局轮廓信息（边界），防止边界特征过度平滑，提高分类准确率。例如，在复杂地物边界区域，局部特征可以补充全局特征中的细节，而全局特征可以减少局部噪声的影响。
(2) 双分支空间-光谱特征分离结构
该结构用于增强不同地物类别的区分度，提高分类性能。
在最终分类前，这两个分支的特征会进行融合，以确保既能利用空间信息，也能发挥光谱特征的优势。
-
空间分支（SpatialBranch）：负责提取空间特征，关注像素周围的分布模式，提高边界分类精度。
-
光谱分支（SpectralBranch）：负责提取光谱特征，区分不同地物类别的光谱响应，提高模型的判别能力。
结果与分析
CSCANet在多个数据集上实现了最优分类性能，整体精度显著优于ResNet、SSRN等主流方法，并在不同地物类别上均表现稳定。消融实验表明级联空间交叉注意力和特征分离策略对提升分类精度至关重要。
精度对比
可视化对比
更多图表分析可见原文
