.png){kind=icon}
返回
Efficient Progressive Mamba Model for Hyperspectral Sequence Unmixing
.png){kind=icon}
OA
AI
DOI：10.1109/JSTARS.2025.3593442.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于深度学习的 hyperspectral unmixing 越来越多地引入空间信息以提高性能。然而，引入空间信息的程度涉及复杂的权衡：信息过少收益有限，而信息过多则会导致邻近像素的谱线混合（如 CNNs 和 Vision Transformers），这与恢复纯端元的目标相悖。同时，像素级 unmixing 需要对每个像素进行建模，计算成本高，限制了强大序列模型的应用。为解决这一问题，我们提出了高效的 progressive hyperspectral sequence unmixing 模型（ProMU），引入多阶段渐进式上下文选择策略，在保证计算效率的同时缓解了光谱序列与丰度序列长度不匹配导致的性能下降。我们进一步设计了 stage-aware Mamba 模块以捕获跨阶段、位置和维度的依赖关系，并提出了自回归机制用于细粒度丰度预测。除与图像级方法进行比较外，我们还系统地评估了三种真实 hyperspectral 数据集上主流序列模型在像素级 unmixing 上的表现。实验表明，ProMU 以极低的参数量和计算成本实现了 state-of-the-art 性能，可与图像级方法媲美。这验证了序列模型在像素级 unmixing 中的潜力，并为 hyperspectral unmixing 研究提供了新颖的解决方案。
Keyword:
Deep learning
hyperspectral unmixing (HU)
mamba
pixel-level unmixing
sequence model
期刊
IF:
5.3
论文数:
1.7K
被引数:
3.0W
机构
引用论文
.png){kind=icon}
Spatial Group Sparsity Regularized Nonnegative Matrix Factorization for Hyperspectral Unmixing用于高光谱分解的空间群稀疏正则化非负矩阵分解
PREAI
分享收藏
查看更多内容