摘要
高光谱图像（HSI）通过堆叠数百个连续的窄波段，提供了丰富的光谱-空间信息。然而，由于噪声的存在以及波段间的高度相关性，如何有效选择具有判别性的光谱-空间核特征仍是一个挑战。传统方法通常采用具有固定感受野（Receptive Field, RF）的卷积神经网络（CNN）来应对这一问题，但这类方法在前向与反向传播优化过程中，难以使神经元自适应地调整感受野大小，也无法有效建模跨通道依赖关系。本文提出了一种基于注意力机制的自适应光谱-空间核改进型残差网络（A²S²K-ResNet），并引入光谱注意力机制，以端到端的方式捕获高光谱图像分类任务中具有判别性的光谱-空间特征。具体而言，所提出的网络通过改进的三维残差块（3-D ResBlock）学习具有选择性的三维卷积核，实现光谱与空间特征的联合提取；同时，设计了一种高效的特征重校准（Efficient Feature Recalibration, EFR）机制，进一步提升分类性能。在三个广泛使用的高光谱数据集（IP、KSC 和 UP）上进行了大量实验验证，结果表明，与现有方法相比，所提出的 A²S²K-ResNet 在总体分类精度（OA）、平均分类精度（AA）以及 Kappa 系数等关键指标上均取得了更优的表现。相关源代码将公开发布于：https://github.com/suvojit-0x55aa/A2S2K-ResNet。