TGMN: Red Neuronal Mamba de Convolución Gráfica de Dos Etapas para la Clasificación de Imágenes Hiperespectrales

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La clasificación de imágenes hiperespectrales (HSI) requiere información espectral local y espacial global.
• Los métodos actuales que utilizan CNN, GCN y Transformers a menudo emplean estructuras multirrama complejas, lo que genera altos costos computacionales y redundancia.

Objetivo del estudio:

• Proponer un método eficiente y efectivo para la clasificación de HSI.
• Abordar las limitaciones de los modelos multirrama existentes en términos de complejidad computacional e información redundante.

Principales métodos:

• Se introduce una red mamba de convolución gráfica de dos etapas (TGMN) para la extracción secuencial de características locales y globales.
• La primera etapa utiliza GCN en subgrafos de superpíxeles con un módulo DSFR para la agregación de características intragrupo y la reducción de redundancia.
• La segunda etapa emplea una red Mamba con RAPE para la modelización de dependencias globales intergrupo y la integración del contexto espacial.

Principales resultados:

• TGMN logró altas precisiones de clasificación: 98,54% en Indian Pines, 98,30% en Dioni y 96,94% en Honghu.
• El método propuesto demuestra un rendimiento superior en comparación con las técnicas de vanguardia.
• TGMN reduce significativamente el costo computacional manteniendo una alta precisión de clasificación.

Conclusiones:

• El TGMN modela eficazmente las características locales y globales de forma secuencial, superando las limitaciones de las arquitecturas multirrama.
• El método ofrece una solución eficiente y precisa para la clasificación de imágenes hiperespectrales.
• TGMN presenta un avance prometedor en el campo del análisis de HSI.