（tgrs2025）多尺度稀疏交叉注意力网络，遥感场景分类涨点起飞

主要观点总结

该论文介绍了一种名为Multiscale Sparse Cross-Attention Network（MSCN）的深度学习模型，用于遥感场景分类。该模型包括四个模块：MFEM（多层特征提取模块）、MFCM（多尺度特征交叉融合模块）、GCE（分组注意力增强模块）和CM（分类模块）。论文强调了多尺度稀疏交叉注意力机制的创新点，包括多尺度池化操作、双TopK稀疏机制等。论文在多个遥感数据集上进行了实验验证，并提供了详细的消融实验和可视化分析来支撑模型的有效性。

关键观点总结

关键观点1: 提出多尺度稀疏交叉注意力网络（MSCN）框架。

区别于传统特征拼接或简单注意力机制，专注于多尺度融合的有效性与稀疏性。

关键观点2: 引入多尺度稀疏交叉注意力模块（MSC）。

基于交叉注意力机制进行改进，加入多尺度池化操作，用于提取遥感图像中不同尺度下的上下文信息。

关键观点3: 设计分组注意力增强模块 GCE（Group CBAM Enhancer）。

将经典CBAM注意力机制进行分组化改进，对不同通道组的特征分别计算注意力并重新加权。

关键观点4: 多数据集验证与可视化分析支撑有效性。

在UCM、AID和NWPU三个主流遥感场景分类数据集上进行实验，并提供了详细的消融实验和可视化分析来验证模型的有效性。

免责声明