近日，计算机科学与技术学院2024级电子信息专业2班研究生胡坤以第一作者（导师通讯）在期刊《IEEE Transactions on Geoscience and Remote Sensing》（中科院SCI一区Top，JCR一区，影响因子：9.4）上发表研究论文，论文题目为《FMSE-DGAF: Frequency-Modulated Spectral Enhancement and Dynamic Global-Local Attention Fusion Network for Hyperspectral Image Classification》。

该论文是在我校万晓青教师的指导下完成，衡阳师范学院为第一署名单位。论文核心理论是：高光谱图像（HSI）分类由于具有高维特性、光谱冗余、标注样本有限以及混合像元的存在，仍然是一项具有挑战性的任务。尽管基于卷积神经网络（CNN）、Transformer以及混合架构的模型在特征提取能力方面取得了显著进展，但在同时捕获互补频域信息、细粒度局部细节和长距离全局上下文方面仍存在不足。为了解决这些问题，本文提出了一种用于高光谱图像分类的调频光谱增强与动态全局–局部注意力融合方法（FMSE-DGAF），该方法由三个关键模块组成：调频光谱增强模块（FMSEM）、全局–局部特征融合模块（GLFFM）以及动态加权卷积注意力模块（DWCAM）。首先，FMSEM通过调制频域幅值并保留相位信息，增强了具有判别性的光谱结构。其次，GLFFM融合全局上下文信息与细粒度局部空间结构，稳定中间层空间特征表示，并有效实现粗粒度语义信息与细粒度空间表示之间的协同对齐。最后，DWCAM结合局部卷积增强与全局自注意力机制，实现多尺度、多粒度的光谱–空间特征融合，同时突出关键判别特征并抑制冗余信息。在五个具有不同空间分辨率（0.109 m至30 m，约300倍跨度）的公开高光谱图像基准数据集上进行了全面实验。实验结果表明，FMSE-DGAF表现出持续且具有竞争力的分类性能，在Pavia University、Salinas、WHU-Hi-LongKou、WHU-Hi-HanChuan和Botswana数据集上的总体分类精度（OA）分别达到99.89%、99.96%、99.91%、99.89%和99.76%。实验结果验证了所提出方法在高光谱图像分类任务中的有效性、鲁棒性以及良好的泛化能力。

图1：FMSE-DGAF的网络架构