聚类引导的 mHC-HSI：用于高光谱图像分类的超连接 Mamba 模型
计算机视觉与模式识别
2026-03-05 v1
摘要
最近，DeepSeek 提出了受约束的超连接（mHC）方法，显著优于深度学习模型中传统残差连接 \cite{xie2026mhc}。然而，该方法尚未针对提升高光谱图像（HSI）分类而定制化。本文提出一种基于 mHC 框架的聚类引导 mHC Mamba 模型（mHC-HSI），以增强 HSI 分类，主要贡献如下：首先，基于 mHC 框架，我们设计了新的聚类引导 Mamba 模块，显式学习 HSI 中的空间与光谱信息；其次，为分解复杂且异构的 HSI，我们设计了 mHC 中残差矩阵的新实现，可视为软聚类成员映射，提高了 mHC 方法的可解释性；最后，利用物理光谱知识，我们将光谱波段划分为物理意义上的组别，作为 mHC 的“平行流”，实现具有增强可解释性的物理意义方法。本方法在基准数据集上进行测试，与最新方法对比，结果表明该模型不仅提升了准确率，还增强了模型的可解释性。代码地址：https://github.com/GSIL-UCalgary/mHC_HyperSpectral。
引用
@article{arxiv.2603.03418,
title = {mHC-HSI: Clustering-Guided Hyper-Connection Mamba for Hyperspectral Image Classification},
author = {Yimin Zhu and Zack Dewis and Quinn Ledingham and Saeid Taleghanidoozdoozan and Mabel Heffring and Zhengsen Xu and Motasem Alkayid and Megan Greenwood and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2603.03418},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2601.15757