DL00230-基于Transformer的高光谱解混完整实现python

基于cnn或transformer的深度学习网络在频谱方面取得了进展。

然而，许多方法只关注特征提取，忽略了网络设计的可解释性。

此外，模型完全基于cnn或transformer可能会丢失其他先验信息，牺牲重建精度和鲁棒性。

提出一种新的解混引导的卷积Transformer网络(UGCT) .具体来说，transformer和ResBlock组件被嵌入到并行残差多头自注意力(PMSA)中，以促进在的优秀先验指导下的精细特征提取来自cnn和transformer的局部和非局部信息。

此外，光谱-空间聚合模块(S2AM)结合了几何不变性和全局感受性的优点增强重建性能。

最后，采用高光谱解混(HU)算法。

机制驱动框架在模型的最后，从模型中合并了详细的功能，光谱库使用LMM和采用精确的端元特征实现了更精细亚像素尺度HSI混合像元解释。

实验结果表明，UGCT在grss_d f c_2018数据集上取得了较好的效果RMSE为0.0866，优于其他对比方法。

ID:342990

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/794703632222.html