.png){kind=icon}
返回
Wavelet Decomposition-Based Spectral–Spatial Mamba Network for Hyperspectral Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3590154.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于Mamba架构的现有高光谱图像分类（HSIC）模型主要关注原始光谱和空间域的表征，对时频分析的研究有限。本研究提出了一种基于小波分解的光谱-空间Mamba网络用于HSIC，命名为“WD-SSMamba”。该模型结合1-D和2-D小波分解分别在频域提取光谱和空间特征。具体而言，我们设计了一个创新性的频域特征提取（FE）模块，包含用于光谱FE的小波卷积（SWC）模块和用于空间FE的小波可分离卷积（WSC）模块。此外，为解决传统Mamba模型在HSIC中整合光谱-空间特征的挑战，我们设计了一个具有交叉融合结构的双分支Mamba模块，称为“HyperMamba”模块，以高效提取和融合光谱和空间特征。在四个公开的高光谱图像（HSI）数据集（帕维亚大学、WHU-Hi-LongKou、WHU-Hi-HongHu和休斯顿2013）上进行了全面实验。结果表明，WD-SSMamba模型在这些数据集上分别达到92.48%、97.91%、89.98%和87.00%的整体精度（OA），每个类别训练样本少于20个，在所有测试数据集上均优于其他竞争模型。此外，它显著将参数数量减少至50k以下，浮点运算（FLOPs）减少至3.02M以下，从而充分展示了频域分析和Mamba结构在HSIC中的巨大潜力。
Keyword:
Hyperspectral image classification (HSIC)
Mamba
spectral–spatial feature
wavelet decomposition
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
WaveFormer: Spectral-Spatial Wavelet Transformer for Hyperspectral Image Classification波形成器: 用于高光谱图像分类的光谱-空间小波变换器
PREAI
分享收藏
Wavelet-Based Multicomponent Denoising Profile for the Classification of Hyperspectral Images.png)
IF0
PREAI
分享收藏分享收藏分享收藏
An Effective Hyperspectral Image Classification Approach Based on Discrete Wavelet Transform and Dense CNN基于离散小波变换和密集CNN的高光谱图像分类方法
PREAI
分享收藏
查看更多内容