面向高光谱与 LiDAR 分类的字典对齐联合上下文表征模型驱动可解释网络

基于摘要分析。本文研究高光谱图像（HSI）与 LiDAR 数据融合的地表覆盖分类，针对黑箱网络可解释性不足及异构互补信息利用不充分的问题，提出多源对齐联合上下文表征模型驱动可解释分类网络 MACRMoI-N。其贡献是将光谱、空间与高程信息的字典对齐机制嵌入模型，并将求解过程展开为端到端训练网络。 方法首先构建多模态对齐联合上下文表征分类模型 MACR-M，将局部空间—光谱先验纳入表征，通过迭代算法求解 HSI、LiDAR 字典及对应稀疏系数，同时对齐字典分布，使多源互补信息参与分类。随后将优化算法展开为 MACRMoI-N，各模块对应特定求解操作，参数通过端到端训练优化。这里的可解释性主要来自网络模块与优化步骤的对应关系，不能据摘要进一步认定其具有因果解释能力。 作者报告，比较实验与消融研究显示 MACRMoI-N 优于其他先进方法；但摘要未提供数据集、数据划分、对照方法名称或具体指标，优势幅度尚无法核对。字典对齐的具体约束、优化目标、展开深度，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察其“字典对齐＋算法展开”机制是否适用于同步 EEG 与其他模态的互补表征，但原方法依赖局部空间—光谱结构和高程信息，不能直接等同于神经信号融合。可复用部分是字典、稀疏表征与展开求解框架；需改造局部先验和跨模态对应关系。低信噪比、通道差异及小样本可能使对齐压制模态特有信息。一个可证伪的小实验是在固定划分的配对 EEG–fNIRS 数据上，以相同展开框架比较启用与关闭字典对齐的分类表现，检验对齐是否带来稳定增益。已有 EEG 相关工作尚未检索确认。