基于DefMamba融合机制的多级卷积协同多源遥感图像分类网络

《Remote Sensing》:DMFNet: Phase-Enhanced Multi-Level Deformable Fusion for Multimodal Remote Sensing Classification

【字体: 大 中 小 】 时间:2026年10月21日 来源:Remote Sensing 4.3

编辑推荐:

   利用互补模态(如激光雷达 LiDAR 或合成孔径雷达 SAR)对高光谱图像(HSI)进行协同分类,即多源遥感图像分类(MRSIC),能够将丰富的光谱信息与结构线索相结合,有助于复杂地物的识别。然而,在有限训练样本的条件下,如何有效将这些结构线索融入多级光谱-空间特征并建模其空

  利用互补模态(如激光雷达 LiDAR 或合成孔径雷达 SAR)对高光谱图像(HSI)进行协同分类,即多源遥感图像分类(MRSIC),能够将丰富的光谱信息与结构线索相结合,有助于复杂地物的识别。然而,在有限训练样本的条件下,如何有效将这些结构线索融入多级光谱-空间特征并建模其空间关系仍具有挑战性。为解决上述问题,本文提出了一种基于 DefMamba 融合机制的多级卷积协同分类网络(DMFNet)。首先,将单生成相位一致性(MPC)响应添加到互补模态中以增强其结构信息。然后,构建双分支特征提取模块,从高光谱图像和增强后的互补模态中提取多级特征,并将它们聚合为联合表示。最后,DefMamba 融合模块对聚合特征应用可变形选择性扫描,从而根据融合内容自适应地建模空间依赖性。在三个公开的多模态遥感数据集上的实验涵盖 HSI-LiDAR 和 HSI-SAR 两种设置,结果表明,在每类仅 10 个标注训练样本的条件下,DMFNet 取得了所有对比方法中最高的平均总体精度,且在 HSI-SAR 场景上的改进最为显著。在 Houston 2018 数据集上的额外实验进一步评估了其在大规模场景中的分类性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号