近日，我院2023级电子信息专业研究生陈峰以第二作者（导师一作）在期刊《IEEE Transactions on Geoscience and Remote Sensing》（中科院SCI一区Top，JCR一区，影响因子：8.6）上发表研究论文，论文题目为《FS-CGNet: Frequency Spectral-Channel Fusion and Cross-Scale Global Aggregation Network for Hyperspectral Image Classification》。

该论文是在我院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）分类是一项具有挑战性的任务，主要由于数据的高维特征和标注样本的稀缺性。许多现有模型在同时捕捉局部结构特征和全局模式方面存在困难，限制了它们处理复杂HSI任务的能力。此外，它们通常未能高效地处理多尺度和多频域信息，导致性能不足。为了应对这些挑战，我们提出了FS-CGNet，这是一个融合了频谱-通道融合和跨尺度全局聚合网络的新型框架，用于HSI分类。FS-CGNet包含三个关键模块：（1）频域光谱特征提取模块（FDSFM），该模块通过使用快速傅里叶变换（FFT）等技术，捕获多尺度和多频率信息，从而提高了局部和全局特征的区分能力；（2）多尺度光谱-通道融合注意力模块（MSFAM），该模块能够自适应地强调关键光谱通道，增强分类的准确性和鲁棒性；（3）跨尺度全局聚合模块（CGAM），该模块通过聚合来自多个尺度的特征，确保跨尺度信息得到最佳利用，从而提升整体分类性能。我们在四个基准HSI数据集（Pavia University、Salinas、WHU-Hi-LongKou和Xiong An）上进行了全面的实验，结果表明，FS-CGNet在性能上取得了良好的表现，能够与该领域的其他先进方法相媲美。