IEEE TGRS 2023：基于多模态融合Transformer的遥感图像分类方法
题目
Multimodal Fusion Transformer for Remote Sensing Image Classification
作者
Swalpa Kumar Roy , Student Member, IEEE, Ankur Deria , Danfeng Hong , Senior Member, IEEE,
Behnood Rasti , Senior Member, IEEE, Antonio Plaza , Fellow, IEEE, and Jocelyn Chanussot ,Fellow, IEEE
关键词
Convolutional neural networks (CNNs), multihead cross-patch attention (mCrossPA), remote sensing (RS), vision transformer (ViT).
研究动机
在原始的ViT模型中，如果我们将HIS作为输入，由于HIS巨大的光谱波段数量，可能会导致过拟合；并且对于其他模态的融合，如果采用拼接的方式去实现信息互补，会加剧这种问题。
模型
与卷积神经网络相比，ViT在图像分类任务中具有良好的性能。因此，许多研究人员尝试将ViT应用到高光谱图像分类任务中。为了获得满意的性能，接近于CNN，变换需要更少的参数。VITS和其他类似的变换使用外部分类(CLS)标记，该标记是随机初始化的，通常不能很好地推广，而其他多模式数据集的来源，如光检测和测距(LiDAR)，提供了通过CLS来改进这些模型的潜力。提出了一种新的多模式融合变换(MFT)网络，该网络包括用于HSI土地覆盖分类的多头交叉斑块注意力(MCrossPA)。我们的mCrosspA利用了除了变换编码器中的HSI之外的其他补充信息源来实现更好的泛化。使用标记化的概念来生成CLS和HSI斑块标记，帮助在精简和分层的特征空间中学习独特的表示。在广泛使用的基准数据集上进行了大量的实验，例如休斯顿大学(UH)，特伦托大学(Trento)，南密西西比湾公园大学(MUUFL)，和Augsburg。我们将提出的MFT模型的结果与其他最先进的变压器、经典的CNN和传统的分类器模型进行了比较。该模型的卓越性能归功于mCrosSPA的使用。
亮点
提出了一种新型的多模融合transformer网络(MFT)，其中包含multihead cross patch attention(mCrossPA)机制，将补充信息作为cls token，将HSI作为patch token。
论文以及代码
论文链接: link
代码链接: link