近日，PA视讯集团官网2023级电子信息专业研究生陈峰以第二作者（导师一作）在期刊《Neural Networks》（中科院SCI二区Top，JCR一区，影响因子：6.3）上发表研究论文，论文题目为《CSA-Kansformer: Cross-Scale Aggregation and Kansformer Network for Hyperspectral Image Classification》。

该论文是在我校万晓青教师的指导下完成，PA视讯集团官网为第一署名单位。论文核心理论是：高光谱图像（HSI）分类在遥感领域中至关重要，能够充分利用丰富的光谱和空间信息。卷积神经网络（CNN）在提取局部特征方面表现出色，而Transformer则擅长捕捉全局语义信息。然而，CNN在处理全局依赖关系时存在困难，而对高光谱数据处理的高计算成本则是Transformer面临的挑战。为结合两者的优势，本文提出了CSA-Kansformer模型，该模型通过引入三个关键模块来提升性能和效率。首先，本文提出了一种空间和通道重构卷积（SCConv）块，利用空间冗余单元（SRU）和通道冗余单元（CRU）来减少冗余特征，从而降低计算成本并提取抽象的空间-光谱特征。其次，我们构建了一个创新的跨尺度聚合模块（CSAM），该模块结合了融合卷积模块（FCM）、通道注意力模块（CAM）和空间注意力模块（SAM）。这一新颖设计能够有效地支持多尺度特征聚合，选择性地强调关键的空间和光谱信息，从而增强特征表示，提高HSI分类任务的准确性。最后，我们引入了Kansformer块，该块用批量归一化替代了层归一化，以增强训练稳定性、加速收敛并改善高光谱分类的泛化能力。此外，通过将多层感知器（MLP）替换为Kolmogorov-arnold网络（KAN），进一步优化了特征学习，提高了训练效率和模型性能。我们在四个广泛认可的高光谱数据集（Botswana、Houston2013、WHU-Hi-HanChuan和WHU-Hi-HongHu）上进行了广泛的实验。结果表明，所提出的CSA-Kansformer模型在分类精度和计算效率上显著超越了九种最先进的方法。这项工作的代码可在https://github.com/wanxiaoqing/CSA-Kansformer上获得。