.png){kind=icon}
返回
CF-Mamba: A Dual-Path Collaborative Method for Hyperspectral Image Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs18071063.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱图像（HSI）分类是遥感数据解释中的核心任务。尽管近期引入的状态空间模型（SSMs），如Mamba，由于其线性计算复杂度和强大的长序列建模能力，在超光谱分析中展示了有前景的性能，但现有的单流扫描机制难以有效平衡高光谱数据内在的光谱连续性依赖关系和高维冗余性。此外，它们在融合来自异构表示空间特征时，常常面临表示差异的问题。为解决这些挑战，我们提出了一种连续-离散协同框架，称为Confluence Mamba（CF-Mamba）。具体而言，连续建模路径（AHSE）引入了一种多视图自适应路由机制，以准确捕捉各向异性光谱-空间连续演化模式。同时，离散交互路径（IISE）采用区间采样和通道混洗策略，在高效解耦高维冗余的同时保持精细特征交互。此外，协同门控单元（CGU）利用双向交叉调制机制，利用连续上下文信息约束离散特征分布，有效缓解多尺度特征融合过程中的表示差异。在四个基准数据集（即Indian Pines、Pavia University、Houston和WHU-Hi-Longkou）上进行的广泛实验表明，CF-Mamba分别实现了97.77%、99.68%、99.06%和99.59%的整体准确率。所提出的方法在分类性能和计算效率方面均显著优于现有的基于CNN、Transformer和Mamba的方法。
Keyword:
hyperspectral image classification
state space models
Mamba
dual-path architecture
feature fusion
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
引用论文
Zhuang, P.; Zhang, X.; Wang, H.; Zhang, T.; Liu, L.; Li, J. FAHM: Frequency-Aware Hierarchical Mamba for Hyperspectral Image Classification. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 6299–6313. [Google Scholar] [CrossRef]庄, P.; 张, X.; 王, H.; 张, T.; 刘, L.; 李, J. FAHM: 用于高光谱图像分类的频率感知层次化Mamba模型. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2025, 18, 6299–6313. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏MATNet: A Combining Multi-Attention and Transformer Network for Hyperspectral Image ClassificationMATNet: 一种结合多注意力和变压器的高光谱图像分类网络
PREAI
分享收藏Compound Multiscale Weak Dense Network with Hybrid Attention for Hyperspectral Image Classification基于混合注意力机制的复合多尺度弱密集网络用于高光谱图像分类
OAAI
OAAI分享收藏Hyperspectral image classification using CNN: Application to industrial food packaging基于CNN的高光谱图像分类: 在工业食品包装中的应用FOOD CONTROL
FOOD CONTROLIF6.3
PREAI
分享收藏
查看更多内容