摘要

本文介绍了Jigsaw，一种专为地球科学领域设计的卷积神经网络（CNN），其架构基于Inception模型，但针对地球科学分析任务进行了优化。文中进一步提出了JigsawHSI（基于Jigsaw的改进版本），并将其应用于土地利用/土地覆盖（LULC）分类问题，实验数据集包括Indian Pines、Pavia University和Salinas三个高光谱图像数据集。该网络与HybridSN进行了对比，HybridSN是一种结合光谱与空间信息的3D-CNN后接2D-CNN的先进模型，在上述数据集上已达到当前最优性能。本短文证明，JigsawHSI在所有三个数据集上的表现均能达到或超越HybridSN的水平。此外，文章还提出了一种适用于任意多模态输入的、在d维空间中通用的Jigsaw架构。同时，本文强调了Jigsaw在地球科学领域的应用潜力，并公开了相关代码与工具包，便于后续研究使用。