論文の概要: A Synergistic CNN-Transformer Network with Pooling Attention Fusion for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2604.23622v1
• Date: Sun, 26 Apr 2026 09:30:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.466287
• Title: A Synergistic CNN-Transformer Network with Pooling Attention Fusion for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のためのpooling Attention Fusionを用いたSynergistic CNN-Transformer Network
• Authors: Peng Chen, Wenxuan He, Feng Qian, Guangyao Shi, Jingwen Yan,
• Abstract要約: ハイパースペクトル画像(HSI)分類では、各画素は特定の土地被覆カテゴリまたは材料に分類される。 近年,マルチスケール・ビジョン・トランスフォーマー (ViT) を応用し,スペクトル特性の捕捉と有望な結果の獲得に役立てている。 本稿では,HSI分類のためのプール型アテンションフュージョンを用いたシナジスティックCNN-Transformerネットワークを提案する。
• 参考スコア（独自算出の注目度）: 10.687430702802608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the hyperspectral image (HSI) classification task, each pixel is categorized into a specific land-cover category or material. Convolutional neural networks (CNNs) and transformers have been widely used to extract local and non-local features in HSI classification. Recent works have utilized a multi-scale vision transformer (ViT) to enhance spectral feature capture and yield promising results. However, most existing methods still face challenges in the effective joint use of spatial-spectral information and in preserving information across layers during the propagation process. To address these issues, we propose a synergistic CNN-Transformer network with pooling attention fusion for HSI classification, which collaboratively utilizes CNNs and ViT to process spatial and spectral features separately. Specifically, we propose a Twin-Branch Feature Extraction (TBFE) module, which employs 3D and 2D convolution in parallel to comprehensively extract spectral and spatial features from HSI. A hybrid pooling attention (HPA) module is designed to aggregate spatial attention. Moreover, a cascade transformer encoder is employed for global spectral feature extraction, and a simple yet efficient cross-layer feature fusion (CFF) module is designed to reduce the loss of crucial information in the previous network layers. Extensive experiments are conducted on several representative datasets to demonstrate the superior performance of our proposed method compared to the state-of-the-art works. Code is available at https://github.com/chenpeng052/SCT-Net.git.
• Abstract（参考訳）: ハイパースペクトル画像(HSI)分類タスクでは、各画素を特定の土地被覆カテゴリまたは材料に分類する。 畳み込みニューラルネットワーク(CNN)とトランスフォーマーは、HSI分類における局所的特徴と非局所的特徴を抽出するために広く用いられている。 近年,マルチスケール・ビジョン・トランスフォーマー (ViT) を応用し,スペクトル特性の捕捉と有望な結果の獲得に役立てている。 しかし,既存の手法の多くは,空間スペクトル情報の有効活用と伝搬過程における層間情報保存の課題に直面している。 これらの問題に対処するために,CNNとVTを協調的に利用し,空間的特徴とスペクトル的特徴を別々に処理する,HSI分類のための注意融合をプールした相乗的CNN-Transformerネットワークを提案する。 具体的には,3次元および2次元の畳み込みを並列に利用し,HSIからスペクトルおよび空間的特徴を包括的に抽出するTBFE (Twin-Branch Feature extract) モジュールを提案する。 ハイブリットプールアテンション(HPA)モジュールは、空間的アテンションを集約するように設計されている。 さらに、大域的なスペクトル特徴抽出にカスケードトランスフォーマーエンコーダを使用し、従来のネットワーク層における重要な情報の損失を低減するために、単純で効率的なクロス層特徴融合(CFF)モジュールを設計する。 提案手法の高性能性を示すために,複数の代表的なデータセットを用いて大規模な実験を行った。 コードはhttps://github.com/chenpeng052/SCT-Net.gitで入手できる。

関連論文リスト

• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• Hyperspectral Image Classification via Transformer-based Spectral-Spatial Attention Decoupling and Adaptive Gating [12.168520751389622]
  ディープニューラルネットワークは、ハイパースペクトル画像分類においていくつかの課題に直面している。 本稿ではSTNetと呼ばれる新しいネットワークアーキテクチャを提案する。 提案手法は、IN, UP, KSCデータセット上での優れた性能を示し、主流のハイパースペクトル画像分類手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-10T01:24:35Z)
• CMTNet: Convolutional Meets Transformer Network for Hyperspectral Images Classification [3.821081081400729]
  現在の畳み込みニューラルネットワーク(CNN)は、ハイパースペクトルデータの局所的な特徴に焦点を当てている。 Transformerフレームワークは、ハイパースペクトル画像からグローバルな特徴を抽出する。 本研究は、CMTNet(Convolutional Meet Transformer Network)を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T07:56:51Z)
• Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
  ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。 ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。 主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
  論文  参考訳（メタデータ） (2024-03-15T07:18:43Z)
• DCN-T: Dual Context Network with Transformer for Hyperspectral Image Classification [109.09061514799413]
  複雑な撮像条件による空間変動のため,HSI分類は困難である。 本稿では,HSIを高品質な三スペクトル画像に変換する三スペクトル画像生成パイプラインを提案する。 提案手法は,HSI分類における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-19T18:32:52Z)
• SpectralFormer: Rethinking Hyperspectral Image Classification with Transformers [91.09957836250209]
  ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。 CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。 我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-07T02:59:21Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。