Self-Supervised Mamba for Hyperspectral Image Classification

Minghao Zhu

doi:10.1109/TGRS.2025.3622597

Self-Supervised Mamba for Hyperspectral Image Classification

2025-01-01

0

PRE

AI

DOI：10.1109/TGRS.2025.3622597

原文链接

摘要

En 中文

基于Mamba架构的最新进展已展现出在超光谱图像分类（HSIC）中的良好潜力，能够提供线性复杂度的长距离依赖建模。然而，将此范式应用于超光谱图像（HSI）分析时仍存在两大挑战：对标注训练样本的巨大需求以及对HSI数据固有复杂空间-光谱特征解释能力的不足，尤其在少样本学习（FSL）场景下更为突出。为解决这些限制，我们提出了SSupMamba，一种专为HSIC设计的自监督Mamba框架。首先，我们提出了一种复合扫描Mamba块（CSMB），通过HSI数据立方体的多方向选择性扫描实现全面的全局特征提取。其次，我们开发了一种空间-光谱掩码Mamba（SAEM）框架，利用随机掩码和重建任务来增强局部表示学习。第三，我们建立了一个统一的自监督架构，整合对比学习（CL），以在保留固有空间-光谱特征的同时最大化多视图间的互信息。在四个公开数据集上的实验结果表明，所提出的方法在少样本条件下展现出卓越的特征提取能力，并超越了多种最先进的HSIC方法。代码可在以下地址获取：https://github.com/Winkness/SSupMamba。

Keyword:

Contrastive learning (CL)

few-shot learning (FSL)

hyperspectral image classification (HSIC)

masked image modeling (MIM)

self-supervised learning (SSL)

spatial–spectral Mamba

Self-Supervised Mamba for Hyperspectral Image Classification

摘要

期刊

机构

引用论文