MambaMoE：基于谱-空域专家的兴沣状态空间模型用于 hyperspectral 图像分类
计算机视觉与模式识别
2025-10-07 v2
摘要
Mamba模型最近在hyperspectral 图像（HSI）分类中展现出巨大的潜力，主要由于其以线性计算复杂度进行情境建模的能力。然而，现有Mamba方法往往忽视不同地覆盖类型的方向建模异质性，导致分类性能受限。为此，我们提出MambaMoE，一种新的谱-空域混合专家（Mixture-of-Experts, MoE）框架，代表着HSI分类领域首个MoE方法。具体而言，我们设计了混合Mamba专家块（MoMEB），通过稀疏专家激活机制实现自适应的谱-空域特征建模。此外，我们引入不确定性引导的纠错学习（UGCL）策略，鼓励模型关注易产生预测模糊的复杂区域。该策略会动态从预测不确定性高的区域中抽取监督信号，引导模型自适应细化特征表示，从而增强其对挑战性区域的关注。在多个公开HSI基准数据集上进行的大量实验表明，MambaMoE在分类准确率和计算效率方面均实现了与现有先进方法（尤其是基于Mamba的方法）相比的业界表现。
引用
@article{arxiv.2504.20509,
title = {MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification},
author = {Yichu Xu and Di Wang and Hongzan Jiao and Lefei Zhang and Liangpei Zhang},
journal= {arXiv preprint arXiv:2504.20509},
year = {2025}
}
备注
Accepted by Information Fusion