基于Transformer编码器与卷积块的生成对抗网络用于高光谱图像分类

目前，当提供充足的标注样本作为训练集时，高光谱图像（HSI）分类可达到较高的分类精度。然而，现有方法在仅使用少量标注样本进行训练时，性能显著下降。现有的少样本学习方法通常需要引入另一个数据集以提升分类精度，但此类方法存在跨域问题，源于目标域与源域之间显著的光谱偏移。针对上述问题，本文提出一种无需依赖外部数据集的新方法，该方法将生成对抗网络（GAN）、Transformer编码器与卷积模块整合于统一框架中。所提方法兼具Transformer编码器提供的全局感受野和卷积模块提供的局部感受野，从而有效捕捉高光谱图像的全局语义结构与局部空间细节。在Indian Pines、PaviaU和KSC三个标准数据集上的实验结果表明，该方法在少样本学习场景下显著优于现有的深度学习分类方法，展现出更强的泛化能力与鲁棒性。