기존 고광대역 영상(Hyperspectral Image, HSI) 분류 방법에서 지역 특징과 전역 특징 간의 불균형 문제를 해결하기 위해 본 논문에서는 가우스 교차 특징 융합 모델을 구축하였다. 서로 다른 특징 간의 상호 연결은 요소별 곱셈 연산을 통해 구현되었으며, 가우스 교차 주의 특징 융합 알고리즘을 설계하여 매핑 벡터 간의 유사도에 따라 두 가지 특징의 내재적 연관성을 분석하였다. 가우스 함수를 사용하여 융합 가중치를 양자화하였고, 주요 파라미터 최적화를 통해 지역 및 전역 특징에 대한 동적 가중치를 구현하여 융합 과정에서 두 특징의 균형을 보장하였다. 방법의 유효성을 검증하기 위해 농작물 장면인 Indian Pines, 도시 지형 장면인 Pavia University, 농업 식생 장면인 Salinas 및 이종 혼합 장면인 LongKou의 네 가지 대표 공개 데이터셋에서 실험을 수행하였으며, 실험 결과를 DCSST, SMESC, Vit-cov 등 11가지 주요 방법과 비교하였다. 전반적 정확도(Overall Accuracy, OA), 평균 정확도(Average Accuracy, AA), 카파 지수를 사용하여 평가한 결과 본 방법이 최상의 성능을 보였다. 이는 본 방법이 식물, 인공 지형 및 이종 혼합 장면 분류에서 우수한 분류 성능을 가지며, 일정 부분 방법의 일반화 능력이 우수함을 나타낸다.

고광대역 영상 분류;주의 메커니즘;가우스 함수;특징 추출;특징 융합