AGSA-Net：丰度引导的自注意力网络，用于光谱解混感知的高光谱遥感图像分类

高光谱图像（HSI）分类在农业、环境监测和城市分析等遥感应用中发挥着至关重要的作用。然而，高光谱图像分类的性能仍受到光谱冗余度高、对噪声敏感，以及难以联合建模局部材料组成与长程光谱依赖关系等问题的制约。为此，我们提出AGSA-Net，一种将光谱解混先验显式融入分类过程的丰度引导自注意力网络。AGSA Net首先在非负性约束和和为一约束下，利用混合线性-非线性重构解码器进行正则化，估计具有物理意义的子像素丰度图。随后，利用所学习的丰度构建丰度亲和先验，引导光谱Transformer突出具有类别判别性的交互关系，并将所得的Transformer特征与紧凑的丰度描述符融合，以进行最终预测；这不同于现有将丰度作为辅助特征或拼接特征的方法。在Indian Pines、Augsburg和Berlin数据集上的实验表明，引入丰度引导的上下文建模能够带来显著收益，尤其是在异质性城市场景中。源代码和训练好的模型见：https://github.com/nnuvi/AGSA-Net