L’imagerie hyperspectrale est riche en informations spatiales et spectrales. L’utilisation d’un réseau neuronal convolutif 3D (3D-CNN) permet d’extraire simultanément les caractéristiques des dimensions spatiale et spectrale, ce qui facilite la classification des données. Toutefois, les images hyperspectrales présentent une forte redondance d’information dans la dimension spectrale. L’application d’un 3D-CNN continu entraîne un nombre élevé de paramètres, une charge computationnelle importante sur le matériel, ainsi qu’un temps d’entraînement prolongé. Ce courrier propose un réseau à mécanisme de noyau sélectif plus rapide (FSKNet), conçu pour équilibrer ce problème. Il intègre des modules de conversion entre 3D-CNN et 2D-CNN, permettant d’effectuer l’extraction de caractéristiques via un 3D-CNN tout en réduisant à la fois la dimension spatiale et spectrale. Néanmoins, ce modèle n’est pas suffisamment léger. Dans le cadre du 2D-CNN converti, un mécanisme de noyau sélectif est proposé, permettant à chaque neurone d’ajuster dynamiquement la taille de son champ réceptif en fonction de l’échelle des informations d’entrée bidirectionnelles. Ce mécanisme repose principalement sur deux composants : le module SE (Squeeze-and-Excitation), qui capture l’attention dans la dimension canal, et la convolution variable, qui extrait les informations de déformation spatiale des objets au sol. Ce modèle s’avère ainsi plus précis, plus rapide et moins exigeant en ressources computationnelles. Le FSKNet atteint une haute précision sur les jeux de données IN, UP, Salinas et Botswana, tout en nécessitant un nombre très réduit de paramètres.