Para o problema de classificação em nível de pixel das classes de cobertura do solo em imagens hiperespectrais (Hyperspectral Images, HSI), é proposto um modelo de estrutura híbrida denominado 3D-ConvFormer. Este modelo utiliza operações de convolução tridimensional (3D-CNN) nas camadas rasas para extrair características espaço-espectrais locais das imagens hiperespectrais e, nas camadas profundas, emprega um mecanismo de autoatenção (Self-attention) para extrair características espaço-espectrais dentro da janela de convolução. Isso alcança uma fusão eficaz entre a invariância de translação das redes convolucionais e a capacidade flexível de extração de características do mecanismo de autoatenção. Experimentos foram realizados em três conjuntos públicos de dados de imagens hiperespectrais Indian Pines, PaviaU e WHU Hi Longkou, utilizando três métricas: acurácia geral (OA), acurácia média (AA) e coeficiente Kappa, para avaliar quantitativamente os resultados da classificação em nível de pixel das classes de cobertura do terreno. Os resultados experimentais indicam que o modelo apresentou OA de 98,41%, AA de 97,56% e Kappa de 98,16% no conjunto Indian Pines; OA de 99,39%, AA de 99,30% e Kappa de 99,18% no conjunto PaviaU; e OA de 98,53%, AA de 98,97% e Kappa de 98,06% no conjunto WHU-Hi-Longkou. O modelo demonstrou desempenho superior aos métodos comparados nas três tarefas de classificação de imagens hiperespectrais, alcançando bom desempenho de classificação e melhorando efetivamente a precisão da classificação.

visão computacional;imagens hiperespectrais;redes neurais convolucionais;transformação de vídeo;mecanismo de autoatenção