基于多阶段搜索的轻量级多尺度多注意力高光谱图像分类网络

高光谱图像 (HSI) 分类已成为高光谱遥感解释中的核心任务，深度学习因其能够学习层次特征而占据主导地位，无需手动工程。随着模型复杂性的增加，手动设计的局限性促使转向自动化方法，例如可微架构搜索 (DARTS)，其架构被优化以提供更高的准确性和效率。然而，直接将基于梯度的神经架构搜索 (NAS) 方法应用于高光谱分类存在几个挑战。在搜索空间设计方面，缺乏能够减轻高光谱图像固有的光谱变异、空间异质性和尺度差异的轻量级算子。在搜索策略方面，传统的 DARTS 方法直接从操作权重推导拓扑结构，这可能导致次优的拓扑结构，从而影响网络在 HSI 分类中的性能。本文中，为了解决这些问题，我们提出了 L3M，这是一种基于多阶段搜索的轻量级多尺度多注意力 HSI 分类网络。该方法引入了一种新的轻量级算子，以解决高光谱图像中的光谱变异、空间异质性和尺度差异。操作搜索和拓扑搜索也被分解为多阶段过程，以通过在预定义的操作空间中搜索和确定候选操作的拓扑顺序来防止形成次优网络。L3M 在四个公共数据集上进行验证，结果表明，该模型在分类性能上优于其他轻量级模型，同时保持了低参数量、低模型复杂性和高推理速度。