DMS2F-HAD：基于双分支 Mamba 的空间-光谱融合高光谱异常检测网络
计算机视觉与模式识别
2026-03-12 v1 人工智能
摘要
高光谱异常检测(HAD)旨在识别高维高光谱图像(HSIs)中的罕见和不规则目标，这些目标常常是噪声和无标签数据。现有深度学习方法要么无法捕获长程光谱依赖性（例如卷积神经网络），要么 suffer from 高计算成本（例如 Transformer）。为此，本文提出了DMS2F-HAD，一种新的双分支 Mamba 模型。该架构利用 Mamba 的线性时间建模高效学习专门分支中的空间和光谱特征，然后通过动态门控融合机制集成这些特征，以增强异常局部分辨。跨越十四组基准 HSI 数据集，我们的所提出的 DMS2F-HAD 不仅实现了 98.78% 的最先进平均 AUC，还证明其推理速度比其他深度学习方法快 4.6 倍。结果凸显了 DMS2F-HAD 的强大泛化性和可扩展性，使其成为实际 HAD 应用的强有力候选人。
引用
@article{arxiv.2602.04102,
title = {DMS2F-HAD: A Dual-branch Mamba-based Spatial-Spectral Fusion Network for Hyperspectral Anomaly Detection},
author = {Aayushma Pant and Lakpa Tamang and Tsz-Kwan Lee and Sunil Aryal},
journal= {arXiv preprint arXiv:2602.04102},
year = {2026}
}
备注
This paper has been accepted in the WACV 2025 conference in algorithm track