A Dual Frequency Transformer Network for Hyperspectral Image Classification
Notice bibliographique
Résumé
Hyperspectral images (HSIs) provide detailed spectral information of objects to be detected and play an important role in distinguishing targets with a similar appearance. However, the characteristics of high dimensionality and complexity impose significant challenges for realizing pixel-wise classification. Although existing convolutional neural networks (CNNs) and transformer-based models have presented promising performance for HSIs classification, they mainly extract features from spectral-spatial perspective and do not fully consider the information in the frequency domain. To address this issue, in this paper, we reconsider feature extraction and HSIs classification from the frequency domain. Specifically, inspired by the observation that high-frequency information contains detailed features within a local receptive field whereas low-frequency information provides global smooth variations, a frequency domain feature extraction (FDFE) block with dual branches is developed. In the FDFE block, an multi-head neighborhood attention (MSNA) block and a global filter block are designed to capture high- and low-frequency features, respectively. Besides, a pixel embedding module is constructed. Based on these, a novel hierarchical dual frequency transformer network (DFTN) is developed. Extensive experiments are performed on three open public hyperspectral datasets to evaluate the performance of our developed method. The experimental results demonstrate that our method is efficient and robust for HSIs classification, achieving overall accuracies of 94.14%, 86.92%, and 96.72% on the University of Pavia, University of Houston, and University of Trento datasets, respectively
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».