Enthüllung des Potenzials eines auf Diffusionsmodellen basierenden Rahmens mit Transformator zur Klassifizierung hyperspektraler Bilder

Zusammenfassung Die hyperspektrale Bildgebung hat an Popularität gewonnen, um ferngesensierte Bilder in verschiedenen Bereichen wie Landwirtschaft und Medizin zu analysieren. Bestehende Modelle stehen jedoch vor Herausforderungen bei der Bewältigung der komplexen Beziehungen und Eigenschaften von spektral-räumlichen Daten aufgrund der Mehrbandnatur und der Datenredundanz hyperspektraler Daten. Um dieses Limit zu überwinden, schlagen wir einen neuartigen Ansatz namens DiffSpectralNet vor, der Diffusions- und Transformator-Techniken kombiniert. Das Diffusionsverfahren ist in der Lage, vielfältige und bedeutungsvolle spektral-räumliche Merkmale zu extrahieren, was zu einer Verbesserung der HSI-Klassifizierung führt. Unser Ansatz umfasst das Training eines unüberwachten Lernrahmens basierend auf dem Diffusionsmodell, um hoch- und niedriggradige spektral-räumliche Merkmale zu extrahieren, gefolgt von der Extraktion intermediärer hierarchischer Merkmale aus verschiedenen Zeitpunkten zur Klassifizierung mithilfe eines vortrainierten Rauschunterdrückungs-U-Net. Schließlich setzen wir einen überwachten transformatorbasierten Klassifikator ein, um die HSI-Klassifizierung durchzuführen. Wir führen umfassende Experimente an drei öffentlich verfügbaren Datensätzen durch, um unseren Ansatz zu validieren. Die Ergebnisse zeigen, dass unser Rahmen bestehende Ansätze signifikant übertrifft und eine leistungsstarke Leistung erzielt. Die Stabilität und Zuverlässigkeit unseres Ansatzes werden in verschiedenen Klassen in allen Datensätzen demonstriert.