ECP-Mamba：基于状态空间模型的高效多尺度自监督对比学习方法用于 PolSAR 图像分类
计算机视觉与模式识别
2025-06-03 v1
摘要
近年来，极化合成孔径雷达 (PolSAR) 图像分类在深度神经网络的推动下取得了极大进展。然而，当前基于深度学习的 PolSAR 分类方法由于依赖大量标注数据以及 Transformer 等架构的计算效率低下而面临困难。本文提出了 ECP-Mamba，这是一个将多尺度自监督对比学习与状态空间模型 (SSM) 主干网络相集成的高效框架。具体而言，ECP-Mamba 通过基于局部到全局特征对应的预测型前置任务解决了标注稀缺问题，该任务使用简化的自蒸馏范式，无需负样本对。为了提高计算效率，通过设计螺旋扫描策略，首次将 Mamba 架构（一种选择性 SSM）针对像素级 PolSAR 分类任务进行了定制。该策略优先考虑中心像素附近具有因果相关性的特征，利用了像素级分类任务的局部特性。此外，提出了轻量级的 Cross Mamba 模块，以极小的开销促进互补的多尺度特征交互。在四个基准数据集上的大量实验证明了 ECP-Mamba 在平衡高精度与资源效率方面的有效性。在 Flevoland 1989 数据集上，ECP-Mamba 实现了 SOTA 性能，总体精度为 99.70%，平均精度为 99.64%，Kappa 系数为 99.62e-2。我们的代码将在 https://github.com/HaixiaBi1982/ECP_Mamba 上提供。
引用
@article{arxiv.2506.01040,
title = {ECP-Mamba: An Efficient Multi-scale Self-supervised Contrastive Learning Method with State Space Model for PolSAR Image Classification},
author = {Zuzheng Kuang and Haixia Bi and Chen Xu and Jian Sun},
journal= {arXiv preprint arXiv:2506.01040},
year = {2025}
}