LFSMIM: 저주파 스펙트럼 마스킹 이미지 모델링 방법을 통한 하이퍼스펙트럼 이미지 분류

마스킹 이미지 모델링(MIM)은 최근 몇 년 동안 다양한 분야에서 상당한 발전을 이루었습니다. 하이퍼스펙트럼(HS) 영역에서의 이전 연구는 종종 스펙트럼 시퀀스를 모델링하기 위해 전통적인 변환기를 사용하였지만, HS 이미지 분류에 대한 지역 세부사항의 영향을 간과했습니다. 또한, 원본 이미지 특징을 재구성 목표로 삼아 모델을 훈련시키는 것은 상당한 도전을 수반합니다. 본 연구에서는 MIM 방법의 제한성을 해결하기 위해 비전 변환기(ViT)의 재구성 목표 및 특징 모델링 능력에 특히 초점을 맞춥니다. 우리는 두 가지 주요 전략을 통합한 새로운 효과적인 방법인 LFSMIM을 제안합니다: (1) 네트워크의 노이즈 민감도를 완화하기 위해 재구성 목표에서 고주파 성분을 필터링하며, (2) ViT의 지역 및 글로벌 모델링 능력을 강화하여 약화된 텍스처 세부사항을 효과적으로 포착하고 글로벌 스펙트럼 특징을 활용합니다. LFSMIM은 인디언 파인즈, 파비아 대학교, 휴스턴 2013 데이터셋에서 다른 방법들에 비해 전체 정확도에서 우수한 성능을 보이며, 각각 95.522%, 98.820%, 98.160%의 정확도를 달성했습니다. 코드는 https://github.com/yuweikong/LFSMIM에서 제공될 예정입니다.