Hi-RWKV: Modelado Jerárquico RWKV para Clasificación de Imágenes Hiperespectrales

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La clasificación de imágenes hiperespectrales (HSI) requiere modelos que capturen información espacial y espectral compleja.
• Los métodos actuales como CNNs y Transformers enfrentan limitaciones en escalabilidad, campo receptivo y complejidad computacional.
• El desarrollo de modelos robustos de clasificación HSI para escenas grandes bajo supervisión limitada sigue siendo un desafío.

Objetivo del estudio:

• Proponer Hi-RWKV, un novedoso marco jerárquico recurrente de clave-valor ponderado para el análisis hiperespectral.
• Abordar las limitaciones de los modelos existentes para capturar relaciones espaciales de largo alcance y estructuras espectrales de alta dimensión.
• Permitir una clasificación HSI eficiente y escalable con precisión y robustez mejoradas.

Principales métodos:

• Introdujo un mecanismo de propagación bidireccional guiado por la estructura espacial con compuertas sensibles a los bordes para la integración del contexto global y la fidelidad de los límites.
• Desarrolló un módulo de mezcla de canales impulsado por la identidad espectral utilizando incrustaciones de bandas aprendibles y transformaciones de blanqueamiento para una mejor discriminación entre bandas.
• Implementó un codificador jerárquico multietapa con complejidad estrictamente lineal para el refinamiento progresivo de las representaciones espectrales-espaciales.

Principales resultados:

• Hi-RWKV logró una precisión de vanguardia en cuatro conjuntos de datos de referencia en diversas condiciones de entrenamiento.
• Los estudios de ablación validaron las contribuciones complementarias de cada módulo a la preservación de límites, la discriminación espectral y la eficiencia de los datos.
• El modelo demostró un rendimiento superior en la interpretación de HSI a gran escala y la teledetección de alta resolución.

Conclusiones:

• Hi-RWKV ofrece un paradigma eficiente y escalable para la clasificación de imágenes hiperespectrales.
• El marco unifica eficazmente la recurrencia escalable con el modelado estructural específico de hiperespectrales.
• El enfoque propuesto avanza el campo del análisis de teledetección de alta resolución.