高スペクトル画像（Hyperspectral Images、HSI）の地表被覆クラスのピクセルレベル分類問題に対し、3D-ConvFormerというハイブリッド構造モデルを提案した。本モデルは浅層で三次元畳み込み（3D-CNN）操作を用いて高スペクトル画像の局所的な空間スペクトル特徴を抽出し、深層では自己注意機構（Self-attention）を利用して畳み込みウィンドウ内の空間スペクトル特徴を抽出することで、畳み込みネットワークの平行移動不変性とself-attentionによる柔軟な特徴抽出能力を効果的に融合している。Indian Pines、PaviaU、WHU Hi Longkouの3つの公開高スペクトル画像データセットで実験を行い、全体分類精度（OA）、平均分類精度（AA）、Kappa係数の3つの指標を用いて地物クラスのピクセルレベル分類結果を定量評価した。実験結果は、Indian PinesデータセットでOAが98.41%、AAが97.56%、Kappaが98.16%、PaviaUデータセットでOAが99.39%、AAが99.30%、Kappaが99.18%、WHU-Hi-LongkouデータセットでOAが98.53%、AAが98.97%、Kappaが98.06%であることを示した。本モデルは3つの高スペクトル画像分類タスクにおいて比較モデルを上回る性能を示し、良好な分類性能を獲得し、高スペクトル画像の分類精度を有効に向上させた。

コンピュータビジョン;高スペクトル画像;畳み込みニューラルネットワーク;ビデオ変換;自己注意機構