摘要

高光谱图像分类因其能够捕捉宽谱段连续范围内的视觉信息，在遥感领域的高精度视觉任务中日益受到关注。研究人员一直在致力于实现高光谱图像分类的自动化，近年来已有研究尝试采用视觉Transformer（Vision-Transformers）架构。然而，现有大多数模型仅关注光谱信息，忽视了局部上下文（即邻近像素）的特征，导致表征能力不足，限制了分类性能的提升。为解决这一问题，本文提出三项主要贡献：i）提出一种新型视觉Transformer——高光谱局部感知图像变换器（Hyperspectral Locality-aware Image TransformEr, HyLITE），能够同时建模局部空间特征与光谱信息；ii）设计一种新颖的正则化函数，有效促进局部信息向全局信息的融合；iii）所提出的方法在多个基准数据集上显著优于现有基线模型，分类准确率最高提升达10%。相关训练模型与代码已公开发布于HyLITE项目主页。