현행 문헌에서는 컨볼루션 신경망(Convolutional Neural Networks, CNN)을 활용한 고분광 이미지(Hyperspectral Image, HSI) 분류가 널리 연구되고 있다. 기존의 접근 방식은 SVM부터 2D CNN, 3D CNN, 3D-2D CNN까지 다양한 형태를 포함한다. 그러나 3D-2D CNN과 FuSENet 외의 다른 방법들은 HSI 분류 작업에서 스펙트럼 특성과 공간 특성을 동시에 고려하지 않아 성능이 제한적인 경향을 보인다. 3D CNN은 계산량이 매우 많아 널리 사용되지 않으며, 2D CNN은 이미지의 다중 해상도 처리를 고려하지 못하고 공간 특성만을 다루는 데 그친다. 3D-2D CNN은 스펙트럼과 공간 특성을 모델링하려는 시도를 하지만, 여러 데이터셋에 적용했을 때 성능이 제한적이라는 문제가 있다. 본 논문에서는 다중 해상도 HSI 분류를 위한 2D CNN의 변형인 웨이블릿 CNN인 SpectralNET을 제안한다. 웨이블릿 CNN은 웨이블릿 변환 계층을 활용하여 스펙트럼 특성을 효과적으로 추출한다. 웨이블릿 변환은 3D CNN을 계산하는 것보다 훨씬 가볍고 효율적이다. 추출된 스펙트럼 특성은 이후 2D CNN에 연결되어 공간 특성을 추출함으로써 분류를 위한 공간-스펙트럼 특성 벡터를 구성한다. 이러한 구조를 통해 다중 해상도 HSI 데이터를 높은 정확도로 분류할 수 있는 보다 우수한 모델을 구현할 수 있다. Indian Pines, University of Pavia, Salinas Scenes와 같은 벤치마크 데이터셋을 대상으로 수행한 실험 결과, 제안한 SpectralNET이 최신 기술 대비 우수한 성능을 보임을 확인하였다. 관련 코드는 공개되어 있으며, 다음 링크에서 확인 가능하다: https://github.com/tanmay-ty/SpectralNET.