الصورة فوق الطيفية غنية بالمعلومات المكانية والطيفية. يمكن لشبكة 3D-CNN استخلاص السمات من البعدين المكاني والطيفي في آن واحد، مما يسهل تصنيف هذه السمات، لكنها تعاني من تكرار المعلومات الطيفية في الصورة فوق الطيفية. يؤدي استخدام 3D-CNN بشكل مستمر إلى كمية كبيرة من المعاملات، مما يرفع من متطلبات قوة الحوسبة على الجهاز، ويجعل التدريب يستغرق وقتًا طويلاً جدًا. وقد صممت هذه الرسالة شبكة ميكانيكية مختارة أسرع (FSKNet) لموازنة هذه المشكلة. حيث تم تصميم وحدات تحويل بين 3D-CNN و2D-CNN، بحيث تُستخدم 3D-CNN لاستخلاص السمات مع تقليل أبعاد المكان والطيف في الوقت نفسه. ومع ذلك، فإن هذا النموذج لا يزال غير خفيف الوزن بما يكفي. وفي النموذج المحوّل إلى 2D-CNN، تم اقتراح ميكانيكية اختيارية للحقل الاستقبال (Selective Kernel Mechanism)، التي تسمح لكل عصبون بتعديل حجم الحقل الاستقبالي بناءً على مقياس المعلومات المدخلة من كلا الاتجاهين. وتتألف هذه الميكانيكية من مكونين رئيسيين: وحدة SE (التي تُحصِّل الانتباه في البعد القنوي) والانزلاق المتغير (الذي يُحصل على معلومات التشوه المكانية للأجسام على السطح). وقد أدى هذا التصميم إلى نموذج أكثر دقة، وأسرع، وأقل استهلاكًا للحوسبة. وقد حقق FSKNet دقة عالية على مجموعات بيانات IN، UP، Salinas، وBotswana، مع عدد ضئيل جدًا من المعاملات.