摘要
高光谱影像富含空间与光谱维度的丰富信息。采用三维卷积神经网络（3D-CNN）可同时提取空间与光谱特征，有助于提升特征分类性能，但高光谱数据本身存在光谱维度冗余问题。若直接使用连续的3D-CNN结构，将导致模型参数量过大，对设备的计算能力要求高，且训练时间过长。为此，本文提出一种快速选择性核机制网络（Faster Selective Kernel Network, FSKNet），以有效平衡上述问题。FSKNet设计了3D-CNN与2D-CNN之间的转换模块，在利用3D-CNN完成特征提取的同时，实现了空间与光谱维度的降维处理。然而，此类模型仍不够轻量化。在转换后的2D-CNN结构中，本文引入了一种选择性核机制（Selective Kernel Mechanism），使每个神经元能够根据双向输入信息的尺度自适应调整感受野大小。该机制主要包含两个核心组件：SE模块（Squeeze-and-Excitation Module）用于获取通道维度的注意力权重，可变卷积（Variable Convolution）则用于捕捉地物在空间维度上的形变特征。整体模型在保持高精度的同时，显著提升了推理速度并降低了计算开销。实验结果表明，FSKNet在Indian Pines（IN）、University of Pavia（UP）、Salinas和Botswana四个标准数据集上均实现了优异的分类精度，且模型参数量极小，具备良好的轻量化特性。