3Dフーリエに基づくグローバル特徴抽出によるハイパースペクトル画像分類

要旨: ハイパースペクトル画像分類（HSIC）は、豊富な空間-スペクトル相関を活用する深層学習手法によって著しく進展してきました。しかし、既存のアプローチには依然として根本的な制限があります。トランスフォーマーベースのモデルは自己注意機構の二乗計算量に起因するスケーラビリティの低さに悩まされ、最近のフーリエ変換ベースの手法は通常、2D空間FFTに依存し、ハイパースペクトルデータに内在する重要なバンド間スペクトル依存性を大きく無視します。この課題に対処するため、局所的な3D畳み込み特徴抽出とGFNet風ブロックによる周波数領域のグローバルフィルタリングを統合した新規アーキテクチャであるHybrid GFNet（HGFNet）を提案します。効率的で頑健な空間-スペクトル表現学習を実現します。 HGFNetは、ハイパースペクトル画像に合わせて3つの補完的な周波数変換を導入します：スペクトルフーリエ変換（スペクトル軸に沿った1D FFT）、空間フーリエ変換（空間次元に対する2D FFT）、および空間-空間フーリエ変換（スペクトルと空間の次元を共同で対象とする3D FFT）。これにより、包括的で高次元の周波数モデリングが可能になります。 3D畳み込み層は細かい局所的な空間-スペクトル構造を捉え、フーリエベースのグローバルフィルタリングモジュールは長距離依存性を効率的にモデル化し、ノイズを抑制します。 HSICにおける深刻なクラス不均衡をさらに軽減するために、Adaptive Focal Loss（AFL）を組み込み、クラス別のフォーカシングと重み付けを動的に調整して、過少表現クラスの識別能力を向上させます。