论文题目：Hyperspectral Image Classification via Cascaded Spatial Cross-Attention Network

• 论文地址：https://ieeexplore.ieee.org/document/10857952
• 项目地址：https://github.com/WUTCM-Lab/CSCANet

摘要：

在高光谱图像（HSI）中，不同的土地覆盖（LC）类别在不同的波长下具有不同的反射特性。因此，仅依靠少数几个波段来区分所有的土地覆盖类别往往会导致信息丢失，从而使平均精度较差。为了解决这一问题，我们提出了一种名为级联空间交叉注意力网络（CSCANet）的高光谱图像分类方法。我们设计了一个级联空间交叉注意力模块，该模块首先在空间上下文下对局部和全局特征执行交叉注意力操作，然后使用分组级联结构在不同通道内依次传播重要的空间区域，最后得到联合注意力特征，以提高网络的鲁棒性。此外，我们还基于空间光谱特征设计了一个双分支特征分离结构，以尽可能地分离不同的土地覆盖标记，从而提高不同土地覆盖类别的可区分性。大量实验表明，我们的方法在提升分类性能方面取得了优异的表现。

Part.01 研究贡献

1.级联空间交叉注意力（CSCA）模块：级联不同光谱波段的信息，增强空间特征提取，避免信息丢失。
2.空间交叉注意力（SCA）机制：结合局部纹理和全局轮廓，优化边界分类效果，减少过度平滑问题。
3.双分支特征分离结构：分离空间特征和光谱特征，增强不同类别的区分度，提高分类准确率。

图1 同一地物类别在不同光谱波段下的反射率可能存在较大差异。红色矩形框代表在该波长通道下呈现出高反射率的强特征，而黄色矩形框代表呈现出低反射率的弱特征。 ## Part.02模型结构

本文提出了一种新的级联空间交叉注意力网络（CSCANet），用于高光谱图像（HSI）分类。该方法结合级联注意力机制、空间-光谱特征分离和深度学习模型优化，提升分类精度和鲁棒性。

图2 CSCANet 的整体网络框架图

1.预处理

• 主成分分析（PCA）降维：由于高光谱图像的波段数较多，计算成本高，PCA被用于降维，减少冗余信息，同时保留主要特征（保留30个波段）。
• 局部补丁提取（PatchExtraction）：选取13×13像素块作为输入，以充分利用空间信息，提高分类能力。

2.网络架构
CSCANet主要包含级联空间交叉注意力（CSCA）模块和双分支空间-光谱特征分离结构，用于增强分类能力。

(1) 级联空间交叉注意力（CSCA）模块