物理对齐的谱Mamba：解耦语义与动态进行少样本 hyperspectral 目标检测
计算机视觉与模式识别
2026-04-08 v1
摘要
元学习促进了少样本 hyperspectral 目标检测（HTD），但适应深度 backbone 仍然具有挑战性。完全参数微调效率低下且容易过拟合，且现有方法基本忽略了频谱数据的频率域结构和光谱带连续性，限制了谱系适应和跨域泛化。为此，我们提出 SpecMamba，一个高效且频率感知的框架，解耦稳定的语义表示与灵活的谱系适应。具体而言，我们在冻结的 Transformer 表示之上引入离散余弦变换 Mamba 适配器（DCTMA）。通过 DCT 将谱系特征投影到频率域并利用 Mamba 的线性复杂度状态空间递归，DCTMA 显式捕获全局谱系依赖性和带连续性，同时避免完全微调的冗余。此外，为了解决样本量有限导致的原型漂移问题，我们设计了先验引导三编码器（PGTE），允许实验室谱系先验引导可学习适配器的优化，而不会扰乱稳定的语义特征空间。最后，我们开发了自监督伪标签映射（SSPLM）策略，用于测试时适应，使其能够通过不确定性感知采样和双路径一致性约束高效地细化决策边界。广泛的实验表明，SpecMamba 在检测准确率和跨域泛化方面 consistently 优于最先进的方法。
引用
@article{arxiv.2604.05562,
title = {Physics-Aligned Spectral Mamba: Decoupling Semantics and Dynamics for Few-Shot Hyperspectral Target Detection},
author = {Luqi Gong and Qixin Xie and Yue Chen and Ziqiang Chen and Fanda Fan and Shuai Zhao and Chao Li},
journal= {arXiv preprint arXiv:2604.05562},
year = {2026}
}