基于聚类标记的解混联想-谱 Mamba 用于高光谱图像分类
计算机视觉与模式识别
2026-04-14 v1
摘要
虽然高光谱图像(HSI)分类是支持多种环境应用的关键任务，但因光谱混合效应、空间-光谱异质性以及难以保持类别边界和细节的限制而具有挑战性。本文提出一种基于聚类标记的解混联想-谱 Mamba，用于 improved HSI 分类，主要贡献如下。首先，为解缪 HSI 中的光谱混合效应以 improved 模式发现，我们设计了一种新型光谱解混网络，不仅自动学习 endmembers 和丰度图，还考虑 endmember 的变异性。其次，基于丰度图定义的聚类，我们设计了一种高效的 Top-K 标记选择策略，适应性地排列标记以 improved 表示能力。第三，为 improved 空间-光谱特征学习和细节保持，基于 Top-K 标记序列，我们设计了一种新型解混联想-谱 Mamba 模块，显著 improved 了传统 Mamba 模型在标记学习和排列方面的性能。第四，为同时学习 endmember-丰度模式和分类标签，设计了一个多任务方案，形成一种新的解混-分类框架，输出不仅包括精确的分类图，还包括综合性的光谱库和丰度图。在四个 HSI 数据集上的比较实验表明，本模型在 other state-of-the-art 方法上具有显著优势。代码已公开于 https://github.com/GSIL-UCalgary/Unmixing_guided_Mamba.git。
引用
@article{arxiv.2604.09948,
title = {Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification},
author = {Yimin Zhu and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2604.09948},
year = {2026}
}