近日，计算机科学与技术学院2024级电子信息专业2班研究生孙子奇以第二作者（导师一作）在期刊《Neural Network》（中科院SCI二区Top，JCR一区，影响因子：7.4）上发表研究论文，论文题目为《MCFRNet: Multi-path contextual feature refinement 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）分类的关键挑战在于如何获得能够捕获足够上下文信息的光谱-空间表示，同时避免牺牲精细的局部细节或引入过高的计算成本。现有的基于卷积神经网络（CNN）的方法通常能够有效地提取局部特征；然而，其有限的感受野限制了更广泛的上下文建模。基于Transformer的方法可以捕获长程依赖关系，但它们通常会引入较高的计算成本，并且在保留局部空间细节方面可能效果不佳。为了应对这一挑战，本文提出了一种轻量级的多路径上下文特征细化网络，称为MCFRNet。具体而言，首先设计了HEFE模块，利用深度可分离卷积和深度可分离卷积以较低的计算成本扩大有效感受野。然后，MCFR模块集成了多层特征重构（MFR）和多组上下文特征聚合（MCFA），以统一的方式细化上下文特征并保留判别性细节。最后，SACA模块结合了通道注意力机制和全局空间注意力机制，自适应地增强信息丰富的光谱通道并强化空间相关性。在四个公开的高光谱图像数据集上的实验结果表明：MCFRNet在参数数量少、计算复杂度低的情况下，实现了具有竞争力的分类精度。

图1：MCFRNet的网络架构