Краткое содержание

arXiv:2511.12346v1 Тип объявления: cross Аннотация: Перед классификацией гиперспектральных изображений (ГСИ) стоят серьёзные проблемы, включая высокую спектральную размерность, сложные спектрально-пространственные корреляции и ограниченное количество обучающих выборок с выраженным дисбалансом классов. В то время как свёрточные нейронные сети (CNN) превосходно извлекают локальные признаки, а трансформеры захватывают дальнодействующие зависимости, их изолированное применение даёт неоптимальные результаты из-за квадратичной сложности и недостаточных индуктивных смещений. Мы предлагаем CLAReSNet (Свёрточную Сеть с Остаточными Связями и Латентным Вниманием для Спектральных Данных) — гибридную архитектуру, которая интегрирует многомасштабное свёрточное извлечение с вниманием в стиле трансформеров через адаптивное латентное узкое место. Модель использует многомасштабный свёрточный стем с глубокими остаточными блоками и улучшенный Свёрточный Блочный Модуль Внимания (CBAM) для иерархических пространственных признаков, за которыми следуют слои спектрального кодировщика, комбинирующие двунаправленные RNN (LSTM/GRU) с Многомасштабным Спектральным Латентным Вниманием (MSLA). MSLA сокращает