لحل مشاكل التشويش الكبير في الصور الطيفية العالية الأبعاد وعملية التصنيف نفسها، بالإضافة إلى نقص استخراج معلومات الميزات الطيفية المكانية وأداء التصنيف الضعيف مع العينات المحدودة، تم اقتراح نموذج تصنيف الصور الطيفية العالية الأبعاد SSFE-MBACNN القائم على تعزيز الميزات الطيفية متعددة الفروع. أولاً، يتم استخدام وحدة استخراج الميزات متعددة الفروع لاستخراج الميزات الطيفية السطحية والميزات المكانية العميقة على التوالي، مع إدخال آلية الانتباه لكبح التشويش. ثانياً، تم تصميم وحدة دمج واستخرج ميزات طيفية متعددة المقاييس محسنة، إلى جانب وحدة تعزيز الميزات المكانية التي تجمع بين التجميع المزدوج والتلافيف ذات الثقوب لتعزيز الميزات الطيفية وتقليل عدد معلمات النموذج وتحسين أداء التصنيف. أخيراً، استُبدل الطبقة الموصولة بالكامل بطبقة التجميع المتوسط العالمي لتقليل عدد المعلمات بشكل أكبر وتخفيف مشكلة الإفراط في التعلّم. أظهرت نتائج التجارب أن النموذج حقق دقة تصنيف كلية تبلغ 0.9907 و0.9975 و0.9947 على مجموعات البيانات Indian Pines (10٪ عينات تدريب)، Pavia University (5٪ عينات تدريب) وSalinas (1٪ عينات تدريب) على التوالي. لا يستفيد SSFE-MBACNN فقط بشكل كامل من معلومات الميزات الطيفية المكانية، بل يحقق أيضًا أداء تصنيفًا ممتازًا تحت ظروف العينات المحدودة، متفوقًا بشكل واضح على الطرق المقارنة الأخرى.

تصنيف الصور الطيفية العالية الأبعاد;تعزيز الميزات;استخراج الميزات متعددة الفروع;آلية الانتباه;ميزات متعددة المقاييس;التجميع المزدوج;التلافيف ذات الثقوب