Key points are not available for this paper at this time.
संविधानात्मक न्यूरल नेटवर्क (CNN) हाइपरस्पेक्ट्रल इमेज (HSI) वर्गीकरण के अध्ययन में उत्कृष्ट प्रदर्शन दर्शाता है। हालांकि, HSI में सैकड़ों निरंतर स्पेक्ट्रल बैंड होते हैं, और CNN-आधारित HSI वर्गीकरण विधियाँ स्पेक्ट्रम में गहरे अनुक्रमात्मक साम Semantic जानकारी को नजरअंदाज कर देती हैं। HSI के स्पेक्ट्रल अनुक्रम जानकारी को ट्रांसफार्मर द्वारा बेहतर ढंग से संसाधित किया जा सकता है। इस लेख में, HSI के विभिन्न स्तरों पर महत्वपूर्ण स्पेक्ट्रल-स्थानिक विशेषताओं के निष्कर्षण के लिए एक नया नेटवर्क MCSS-ViT डिज़ाइन किया गया है। MCSS-ViT को अवशिष्ट और चैनल ध्यान मॉड्यूल (MCRC) के आधार पर मल्टी-स्केल CNN और विज़न ट्रांसफार्मर (ViT) के साथ मिलकर बनाया गया है, जहाँ MCRC में CRC ब्लॉक और AIC ब्लॉक दोनों शामिल हैं। पहले, प्रधान घटक विश्लेषण (PCA) का उपयोग HSI के स्पेक्ट्रल आयाम को कम करने के लिए किया जाता है। इसके बाद, CRC ब्लॉक को पैचों की स्पेक्ट्रल-स्थानिक जानकारी को पूर्ण रूप से सीखने के लिए बनाया गया है। इस बीच, महत्वपूर्ण मल्टी-स्केल स्थानिक जानकारी को खोने से रोकने के लिए, AIC ब्लॉक को पूरक स्थानिक विशेषताओं को पकड़ने के लिए विकसित किया गया है। अंत में, स्वरूप को चित्र से वैश्विक और सांकेतिक विशेषताओं के निष्कर्षण को संतोषजनक बनाने के लिए पेश किया गया है। MCSS-ViT के प्रदर्शन का मूल्यांकन दो डेटासेट पर किया गया। किए गए प्रयोगों ने दिखाया कि प्रस्तावित विधि अन्य पारंपरिक विधियों की तुलना में बेहतर वर्गीकरण प्रभाव रखती है।
सन एट अल। (शुक्र,) ने इस प्रश्न का अध्ययन किया।