Hyperspektrale Bilder sind reich an räumlichen und spektralen Informationen. Die Verwendung von 3D-CNN ermöglicht die gleichzeitige Extraktion von Merkmalen in räumlicher und spektraler Dimension, was die Klassifizierung von Merkmalen erleichtert. Allerdings weist hyperspektrale Bildinformation eine erhebliche Redundanz in der spektralen Dimension auf. Die Anwendung kontinuierlicher 3D-CNN führt zu einer hohen Anzahl an Parametern sowie zu hohen Anforderungen an die Rechenleistung der Geräte und zu längeren Trainingszeiten. In diesem Brief wird das schnellere selektive Kernel-Mechanismus-Netzwerk (FSKNet) vorgestellt, das dieses Problem effizient ausbalanciert. FSKNet integriert Module zur Umwandlung zwischen 3D-CNN und 2D-CNN, wodurch die Merkmalsextraktion mit 3D-CNN erfolgt, gleichzeitig jedoch die Dimensionen räumlich und spektral reduziert werden. Dennoch ist ein solches Modell nicht ausreichend leichtgewichtig. In der umgewandelten 2D-CNN-Architektur wird ein selektiver Kernel-Mechanismus vorgeschlagen, der es jedem Neuron ermöglicht, die Größe des Empfindlichkeitsfeldes basierend auf der Skaleneingabe aus zwei Richtungen anzupassen. Unter dem selektiven Kernel-Mechanismus umfasst das Modell hauptsächlich zwei Komponenten: den SE-Modul zur Erzeugung von Aufmerksamkeit in Kanaldimension und die variable Faltung zur Erfassung von Deformationsinformationen in räumlicher Dimension von Bodenobjekten. Dadurch wird das Modell genauer, schneller und rechenintensiver effizient. FSKNet erreicht auf den Datensätzen IN, UP, Salinas und Botswana eine hohe Klassifizierungsgenauigkeit bei äußerst geringer Parameteranzahl.