CLAReSNet은 고차원 스펙트럼 데이터, 복잡한 스펙트럼-공간 상관 관계, 제한된 훈련 샘플 및 심각한 클래스 불균형 문제를 해결하기 위해 제안된 하이퍼스펙트럼 이미지(HSI) 분류를 위한 하이브리드 아키텍처입니다. 이 모델은 다중 스케일 컨볼루션 추출과 변환기 스타일의 어텐션을 적응형 잠재적 병목 현상을 통해 통합합니다. CLAReSNet은 다중 스케일 컨볼루션 스템, 잔차 블록, 향상된 컨볼루션 블록 어텐션 모듈, 양방향 RNN(LSTM/GRU)과 Multi-Scale Spectral Latent Attention(MSLA)을 결합한 스펙트럼 인코더 레이어를 사용합니다. MSLA는 적응형 잠재 토큰 할당을 통해 복잡성을 줄이고, 계층적 교차 어텐션 융합을 통해 다중 레벨 표현을 동적으로 집계합니다. Indian Pines 및 Salinas 데이터 세트에서 실험한 결과, HybridSN, SSRN, SpectralFormer보다 뛰어난 성능을 보였으며, 제한된 샘플 및 심각한 클래스 불균형 하에서 효과가 입증되었습니다.
