LiDAR-Guided Cross-Attention Fusion for Hyperspectral Band Selection and Image Classification

合成高光谱和激光雷达数据一直是一个活跃的研究课题。尽管高光谱图像(HSI)处理的波段选择方法已经得到了广泛研究，但现有的融合方法忽略了高光谱图像的高维度和冗余挑战。本文通过引入变压器架构的交叉注意力机制来解决这一重要问题，以激光雷达数据为指导，选择HSI波段。激光雷达提供了高分辨率的垂直结构信息，可以用于区分具有相似光谱特征但不同结构特征的不同土地覆盖类型。在我们的方法中，激光雷达数据被用作“查询”，从HSI中搜索和识别“键”，选择最相关的波段用于激光雷达。这种方法确保所选的HSI波段大大减少了冗余和计算需求，同时与激光雷达数据最佳配合。对三个配对的HSI和激光雷达数据集(Houston 2013、Trento和MUUFL)进行了广泛的实验。结果突出了交叉注意力机制的优越性，强调了与激光雷达特征融合时识别HSI波段的分类精度提高。结果还表明，与最先进的融合模型相比，使用较少的波段与激光雷达相结合可以提高性能。

本论文试图解决如何在融合高光谱和LiDAR数据时，解决高维度和冗余性问题的挑战。

本文提出了使用Transformer架构中的交叉注意力机制，将LiDAR数据作为“查询”，从高光谱数据中选择最相关的波段，以解决高维度和冗余性问题。

本文在三个数据集上进行了广泛的实验，证明了交叉注意力机制的优越性，并显示出与LiDAR结合使用的较少波段的性能优于最先进的融合模型。

最近的相关研究包括“Hyperspectral and LiDAR Data Fusion: Outcome of the 2013 GRSS Data Fusion Contest”和“Hyperspectral and LiDAR Fusion Using Deep Three-Stream Convolutional Neural Networks”。