Clasificación de imágenes hiperespectrales entre escenas mediante Mamba bidireccional y red de mezcla de dominios

Área de la Ciencia:

• Teledetección
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El cambio de dominio presenta un desafío significativo en la clasificación de imágenes hiperespectrales (HSI).
• Los métodos existentes de adaptación de dominio (DA) luchan con grandes cambios de dominio al centrarse en la alineación del espacio de características.
• Mapear dominios dispares de origen y destino en un espacio de características compartido sigue siendo difícil.

Objetivo del estudio:

• Desarrollar un método eficaz para la clasificación de imágenes hiperespectrales bajo cambio de dominio.
• Proponer una arquitectura de red novedosa que capture eficientemente características locales y globales.
• Introducir una estrategia de mezcla de dominios para cerrar la brecha entre los dominios de origen y destino.

Principales métodos:

• Se propone un módulo de mamba bidireccional (BMM) para la captura eficiente de dependencias a largo plazo, abordando las limitaciones de las CNN y los Transformers.
• Se emplea una estrategia de autodestilación utilizando un modelo profesor estable para predicciones fiables del dominio de destino.
• Un módulo de aprendizaje supervisado de mezcla de dominios (DMSL) crea un dominio mixto para reducir la brecha entre dominios en el espacio de datos.

Principales resultados:

• La BMDMnet propuesta demuestra un rendimiento superior en comparación con los algoritmos de vanguardia.
• Los experimentos se realizaron en tres conjuntos de datos entre escenas, validando la eficacia del método.
• La integración de BMM y DMSL mejora significativamente la precisión de la clasificación HSI bajo el cambio de dominio.

Conclusiones:

• La BMDMnet ofrece una solución eficiente y eficaz para la clasificación de imágenes hiperespectrales con cambio de dominio.
• Los módulos BMM y DMSL propuestos abordan con éxito las limitaciones de las técnicas existentes de adaptación de dominio.
• Este trabajo avanza el campo de la clasificación HSI al proporcionar un método robusto para manejar la variabilidad del dominio.