GRSM2026
迈向准确、高效且可解释的高光谱图像分类：自适应光谱空间尺度选择的可拆卸网络
针对现有高光谱图像分类方法难以充分建模光谱与空间维度的多尺度特征、不同地物类别对最优特征尺度的需求存在差异，以及深度网络特征冗余导致推理效率和模型可解释性受限等问题，提出一种面向高光谱图像分类的可拆卸多尺度神经网络。该方法从高光谱影像的空间—光谱多尺度特性出发，采用不同光谱与空间分辨率的并行分支，逐层构建多尺度特征提取网络，实现不同尺度下地物光谱特征与空间结构信息的协同建模；同时，在网络各阶段引入多尺度门控模块，根据输入影像的特征差异自适应选择有效分支，抑制冗余特征计算，提高模型推理效率。进一步设计融合层次聚类的两阶段训练策略，将地物类别的语义信息嵌入门控决策过程，增强不同地物类型与特征提取尺度之间的关联性，提高分支选择的可靠性与可解释性。该方法将多尺度空间—光谱特征学习、动态分支选择与语义引导优化相结合，在兼顾分类精度与计算效率的同时，实现对不同地物类别尺度需求的可解释建模，为构建高效、准确且具有尺度可解释性的高光谱遥感智能分类模型提供了新的技术途径。