Raum- und Spektralstrukturbewusstes Mamba-Netzwerk für die Klassifikation hyperspektraler Bilder

Kürzlich ist ein Netzwerk basierend auf selektiven Zustandsraummodellen (SSMs), Mamba, aufgrund seiner linearen Berechnungskomplexität und starken Langstrecken-Abhängigkeitsmodellierungskapazität in der Klassifikation hyperspektraler Bilder (HSI) in den Fokus der Forschung geraten. Ursprünglich für die 1D-kausale Sequenzmodellierung entwickelt, stellt Mamba eine Herausforderung für HSI-Aufgaben dar, die ein gleichzeitiges Bewusstsein für räumliche und spektrale Strukturen erfordern. Aktuelle auf Mamba basierende HSI-Klassifikationsmethoden wandeln typischerweise räumliche Strukturen in 1D-Sequenzen um und verwenden verschiedene Scanmuster, um räumliche Abhängigkeiten zu erfassen. Diese Ansätze beeinträchtigen jedoch zwangsläufig die räumlichen Strukturen, was zu ineffektiver Modellierung komplexer räumlicher Beziehungen und erhöhten Rechenkosten aufgrund verlängerter Scanpfade führt. Zudem führt das Fehlen der Nutzung nachbarschaftlicher spektraler Informationen dazu, dass der Einfluss räumlicher Variabilität auf die Klassifikationsleistung nicht gemindert wird. Zur Überwindung dieser Einschränkungen schlagen wir ein neuartiges Modell vor, das Dual-Aware Discriminative Fusion Mamba (DADFMamba), welches gleichzeitig räumlich-spektral strukturbewusst ist und diskriminative Merkmale adaptiv integriert. Konkret entwerfen wir ein Spatial-Structure-Aware Fusion Module (SSAFM), um räumliche Nachbarschaftskonnektivität direkt im Zustandsraum herzustellen und so die strukturelle Integrität zu bewahren. Anschließend führen wir ein Spectral-Neighbor-Group Fusion Module (SNGFM) ein, das Ziel-spektrale Merkmale durch Nutzung nachbarschaftlicher spektraler Informationen stärkt, bevor es diese in mehrere spektrale Gruppen unterteilt, um Relationen zwischen diesen Gruppen zu erkunden. Schließlich integrieren wir einen Feature Fusion Discriminator (FFD), um die Wichtigkeit räumlicher und spektraler Merkmale zu unterscheiden und eine adaptive Merkmalsfusion zu ermöglichen. Umfangreiche Experimente auf vier Benchmark-HSI-Datensätzen zeigen, dass DADFMamba tieferlernende Modelle mit dem Stand der Technik in der Klassifikationsgenauigkeit übertrifft, während es geringe Rechenkosten und Parameter-Effizienz beibehält. Bemerkenswert ist seine überlegene Leistung mit nur 30 Trainingsproben pro Klasse, was seine Dateneffizienz hervorhebt. Unsere Studie offenbart das große Potenzial von Mamba in der HSI-Klassifikation und liefert wertvolle Erkenntnisse für zukünftige Forschung.