基于改进卷积神经网络的高光谱图像分类方法（特邀）

针对高光谱图像分类中噪声干扰、光谱混叠及计算效率低等瓶颈问题，提出一种基于多模态协同优化的轻量级网络（MC-DetNet）。通过双分支架构协同提取原始图像内容特征与高频噪声特征，原始分支采用可变形卷积增强几何形变适应性，噪声分支基于空域富模型（SRM）滤波与轻量化残差模块捕获局部异常特征。为解决多模态特征融合的适配性问题，提出梯度引导注意力机制，通过多方向梯度图动态调节特征权重，强化边界敏感区域的鉴别能力。进一步构建频域-空域协同模块，结合快速傅里叶变换的全局能量分析与跨模态对比损失，抑制光谱混叠引起的特征混淆。为提高模型效率，采用深度可分离卷积与多尺度空洞卷积优化策略，显著降低了计算复杂度。在公开高光谱数据集上的实验表明，所提方法的总体分类精度分别达到99.1%、93.7%和98.9%，较主流模型提升0.9%~4.1%，参数量仅为6.2×106，推理延迟为47 ms。所提方法有效提升了噪声干扰与复杂场景下的分类精度，同时具备更优的模型可解释性与边缘设备适配性，为高光谱边缘智能解译提供了轻量化解决方案。