用于高光谱图像分类的多头时空 Mamba
计算机视觉与模式识别
2025-02-07 v3
摘要
时空 Mamba（SSM）提高了计算效率并捕获了长程依赖，解决了 Transformer 的局限性。然而，传统 Mamba 模型忽略了高光谱图像（HSI）中丰富的光谱信息，难以处理高维数据和序列数据。为此，我们提出了一种带有多头自注意力和 token 增强的 SSM（MHSSMamba）。该模型通过增强光谱 token 并使用多头注意力来捕获光谱波段与空间位置之间的复杂关系。它还管理 HSI 数据的长程依赖和序列特性，保留跨光谱波段的上下文信息。MHSSMamba 在 Pavia University、University of Houston、Salinas 和 Wuhan-longKou 数据集上实现了分别为 97.62%、96.92%、96.85% 和 99.49% 的卓越分类准确率。源代码可在 \href{https://github.com/MHassaanButt/MHA\_SS\_Mamba}{GitHub} 上获取。
引用
@article{arxiv.2408.01224,
title = {Multi-head Spatial-Spectral Mamba for Hyperspectral Image Classification},
author = {Muhammad Ahmad and Muhammad Hassaan Farooq Butt and Muhammad Usama and Hamad Ahmed Altuwaijri and Manuel Mazzara and Salvatore Distefano},
journal= {arXiv preprint arXiv:2408.01224},
year = {2025}
}