一种新型图结构调控的离散稀疏 Mamba 模型用于从 MODIS 时间序列中提高树木物种分类
计算机视觉与模式识别
2026-05-08 v1
摘要
尽管从 Moderate Resolution Imaging Spectroradiometer (MODIS) 时间序列数据进行树木物种分类对于支持各种环境应用至关重要，但由于以下几个关键难题：树木物种之间细微的光谱差异、强烈的空间-光谱-时序信息耦合，以及难以建模大规模拓扑上下文信息，使得该任务具有挑战性。为了更好地解决这些挑战，本文提出了一种 novel Graph-regulated Disentangled Sparse Mamba model (GDS-Mamba) 用于提高树木物种分类，主要贡献包括：(1)首先，为了改进大规模上下文建模，我们设计了 mini-batch graph-regulated 方法，显式地探索输入图像之间的拓扑相关性效应。(2)其次，为了 disentangle 高维空间-光谱-时序信息耦合以提高特征提取，提出了一种专为捕获 MODIS 时间序列中独立空间模式、光谱特征和时序现象行为而量身定制的 novel disentangling Mamba architecture。(3)第三，为了提高效率和细微特征学习，我们设计了 novel sparse token 方法，以自适应方式学习 token 子集的优化组合，以更好地解决标准 Mamba 模型中瓶颈的相关性衰减问题。广泛的实验使用来自两个加拿大省份（即阿尔伯塔和萨斯喀彻温）的大规模年度 MOD13Q1 数据实现了在阿尔伯塔的整体准确率为93.94%，在跨省评估中为80.19%，超越了十二种最先进的分类模型。
引用
@article{arxiv.2605.05549,
title = {A Novel Graph-Regulated Disentangling Mamba Model with Sparse Tokens for Enhanced Tree Species Classification from MODIS Time Series},
author = {Motasem Alkayid and Zhengsen Xu and Saeid Taleghanidoozdoozan and Yimin Zhu and Megan Greenwood and Quinn Ledingham and Zack Dewis and Mabel Heffring and Naser El-Sheimy and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2605.05549},
year = {2026}
}