近年、選択的状態空間モデル（SSMs）に基づくネットワークであるMambaは、その線形計算複雑性と強力な長距離依存性モデリング能力により、高次元画像（HSI）分類の研究焦点として浮上しています。もともと1次元の因果シーケンスモデリング向けに設計されたMambaは、空間構造とスペクトル構造の同時認識を必要とするHSIタスクには適用が困難です。現在のMambaベースのHSI分類手法は通常、空間構造を1次元シーケンスに変換し、空間依存を捉えるために様々な走査パターンを採用します。しかし、これらの方法は必然的に空間構造を破壊し、複雑な空間関係の非効果的なモデリングと走査経路の長大化による計算コストの増加を招きます。さらに、近傍スペクトル情報の利用が不足しているため、空間変動性が分類性能に及ぼす影響を軽減できません。これらの制約を克服するために、我々は空間・スペクトル構造を同時に認識し、識別的特徴を適応的に統合する新しいモデルDual-Aware Discriminative Fusion Mamba（DADFMamba）を提案します。具体的には、空間近傍の連結性を状態空間内で直接確立し構造の健全性を維持するSpatial-Structure-Aware Fusion Module（SSAFM）を設計しました。次に、Spectral-Neighbor-Group Fusion Module（SNGFM）を導入し、近傍のスペクトル情報を活用して対象のスペクトル特徴を強化し、それらを複数のスペクトルグループに分割してグループ間の関係を探ります。最後に、Feature Fusion Discriminator（FFD）を導入し、空間特徴とスペクトル特徴の重要性を識別し、適応的な特徴融合を可能にします。4つのベンチマークHSIデータセットでの広範な実験により、DADFMambaは分類精度において最先端の深層学習モデルを上回りつつ、低計算コストとパラメータ効率を維持することが示されました。特に、クラスあたりわずか30サンプルの学習で優れた性能を示し、そのデータ効率の高さを強調しています。本研究は、HSI分類におけるMambaの大きな可能性を明らかにし、今後の研究への貴重な知見を提供します。
Zhangら（木曜）はこの問題を研究しました。