La classification d’images hyperspectrales gagne en popularité pour les tâches de vision à haute précision en télédétection, grâce à leur capacité à capter des informations visuelles dans un large continuum spectral. Les chercheurs s’efforcent d’automatiser la classification d’images hyperspectrales, avec des travaux récents s’appuyant sur les Vision-Transformers. Toutefois, la plupart des modèles existants ne prennent en compte que les informations spectrales, en négligeant l’aspect local (c’est-à-dire les pixels voisins), ce qui peut entraîner une discriminabilité insuffisante et limiter ainsi leurs performances. Pour remédier à ce problème, nous présentons trois contributions principales : i) Nous introduisons HyLITE (Hyperspectral Locality-aware Image TransformEr), un vision transformer conçu pour modéliser à la fois les informations locales et spectrales ; ii) une nouvelle fonction de régularisation qui favorise l’intégration des informations locales vers globales ; iii) notre approche surpassant significativement les méthodes de référence, avec des gains d’exactitude pouvant atteindre jusqu’à 10 %. Les modèles entraînés ainsi que le code source sont disponibles à l’adresse HyLITE.