PatchGraph-MTFormer: A Multitask Patch-Graph Transformer for Hyperspectral Image Analysis
Notice bibliographique
Résumé
Hyperspectral image (HSI) classification remains challenging because of the large number of spectral channels, strong spatial-spectral redundancy, and limited labeled samples available in remote sensing problems. In this paper, a graph-structured transformer architecture, named PatchGraph-MTFormer, is presented to address these limitations. The proposed design models the hyperspectral patches as small grid graphs and applies transformer-based attention on graph neighborhoods, enabling simultaneous learning of local spectral signatures and global spatial context. The pipeline integrates grounded preprocessing, including reflective padding, patchbased subdivision, spectral-spatial embedding, and principal component analysis (PCA). PatchGraph-MTFormer is validated on four widely used hyperspectral benchmark datasets, i.e.; Indian Pines, Pavia University, Houston 2013, and WHU-Hi-LongKou and is subsequently extended to multitask plant phenotyping using the HyperLeaf2024 dataset. On the four HSI benchmarks, PatchGraph-MTFormer attains accuracy 99.97% (Indian Pines), 99.47% (Pavia University), 100.00%(Houston 2013), and 99.75% (WHU-Hi-LongKou), respectively, achieving state-of-the-art performance compared with representative classical, CNN-based, graph-based, and transformer-based HSI models. On HyperLeaf2024, the multitask extension achieves a cultivar classification accuracy of 91.5% (macro F1-score ≈ 0.92) and strong regression performance, with a variance-weighted coefficient of determination mean squared error ≈ 0.4, R 2 ≈ 0.593 on standardized targets. Unlike previous hyperspectral methods, PatchGraph-MTFormer unifies local graph topology and transformer attention within patch neighborhoods, enabling context-aware classification while preserving spatial structure. The overall pipeline is to the best of our knowledge, the first to combine multi-scale graph-structured patching, rigorous PCA pooling, and graph-restricted transformer blocks in a multitask setup for both classification and plant phenotyping.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».