基于混合状态空间模型和 GRU 的图结构分词 Mamba 用于高光谱图像分类
计算机视觉与模式识别
2025-02-11 v1
摘要
高光谱图像（HSI）分类在环境监测、农业和城市规划等领域发挥着关键作用。然而，由于数据维度高且其固有的复杂光谱-空间关系，面临着显著挑战。传统方法，包括常规机器学习和卷积神经网络（CNN），往往难以有效捕获这些复杂的光谱-空间特征和全局上下文信息。基于 Transformer 的模型虽在捕获长程依赖方面强大，但往往需要巨大的计算资源，在标注数据有限的 HSI 应用场景中提出了挑战。为克服这些挑战，本文提出了 GraphMamba，一种结合了光谱-空间 token 生成、图结构 token 优先级排序和跨注意力机制的混合模型。该模型引入了状态空间建模与门控循环单元（GRU）的新颖混合方法，捕捉线性与非线性空间-光谱动力学。GraphMamba 提升了建模复杂空间-光谱关系的能力，同时保持在多样化 HSI 数据集上的可扩展性和计算效率。通过系统实验，我们展示 GraphMamba 在现有 SOTA 模型中取得优异性能，为复杂 HSI 分类任务提供了可扩展且稳健的解决方案。
关键词
引用
@article{arxiv.2502.06427,
title = {Hybrid State-Space and GRU-based Graph Tokenization Mamba for Hyperspectral Image Classification},
author = {Muhammad Ahmad and Muhammad Hassaan Farooq Butt and Muhammad Usama and Manuel Mazzara and Salvatore Distefano and Adil Mehmood Khan and Danfeng Hong},
journal= {arXiv preprint arXiv:2502.06427},
year = {2025}
}