HSIMamba：利用双向状态空间进行高光谱成像高效特征学习用于分类

高光谱图像分类是遥感中的一项困难任务，因其复杂的高维数据。为应对这一挑战，我们提出HSIMamba，一种新颖的框架，使用双向反向卷积神经网络路径更高效地提取光谱特征。此外，它包含一个用于空间分析的专业模块。我们的方法结合了CNN的操作效率与Transformer中注意力机制的动态特征提取能力，但避免了相关的高计算需求。HSIMamba设计为双向处理数据，显著增强了光谱特征的提取，并将其与空间信息集成以进行全面分析。这种方法提高了分类准确率，超越了当前基准，并解决了Transformer等先进模型遇到的计算效率低下问题。HSIMamba在三个广泛认可的数据集（Houston 2013、Indian Pines和Pavia University）上进行了测试，表现出卓越性能，超越了HSI分类中现有的最先进模型。该方法突出了HSIMamba的方法创新及其实际意义，在计算资源有限的场景中尤其有价值。HSIMamba重新定义了HSI分类中效率和准确率的标准，从而增强了遥感应用的能力。高光谱成像已成为环境监测、农业及其他需要详细分析地球表面的关键领域的重要工具。更多详情请参见我们的代码HSIMamba。