白盒mHC：面向高光谱图像分类的电磁频谱感知与可解释流交互
计算机视觉与模式识别
2026-01-23 v1
摘要
在高光谱图像分类（HSIC）中，大多数深度学习模型依赖不透明的光谱-空间特征混合，限制了其可解释性并阻碍了对内部决策机制的理解。我们提出了物理频谱感知的白盒mHC，即ES-mHC，一种超连接框架，通过结构化的有向矩阵显式建模不同电磁频谱分组之间的交互（mHC中的残差流交互）。通过将特征表示与交互结构分离，ES-mHC促进了电磁频谱分组的特化，减少了冗余，并暴露了可直接可视化和空间分析的内部信息流。以高光谱图像分类作为代表性测试平台，我们证明所学习的超连接矩阵展现出连贯的空间模式和非对称交互行为，为模型内部动力学提供了机制性洞察。此外，我们发现增加扩展率加速了结构化交互模式的出现。这些结果表明ES-mHC将HSIC从纯粹的黑盒预测任务转变为结构透明的、部分白盒的学习过程。
引用
@article{arxiv.2601.15757,
title = {White-Box mHC: Electromagnetic Spectrum-Aware and Interpretable Stream Interactions for Hyperspectral Image Classification},
author = {Yimin Zhu and Lincoln Linlin Xu and Zhengsen Xu and Zack Dewis and Mabel Heffring and Saeid Taleghanidoozdoozan and Motasem Alkayid and Quinn Ledingham and Megan Greenwood},
journal= {arXiv preprint arXiv:2601.15757},
year = {2026}
}