双方向マンバおよびドメインミキシングネットワークによるクロスシーンハイパースペクトル画像分類

科学分野:

• リモートセンシング
• コンピュータビジョン
• 機械学習

背景:

• ドメインシフトは、ハイパースペクトル画像（HSI）分類における大きな課題です。
• 既存のドメイン適応（DA）手法は、特徴空間のアライメントに焦点を当てることで、大きなドメインシフトに対処するのに苦労しています。
• 異なるソースドメインとターゲットドメインを共有特徴空間にマッピングすることは依然として困難です。

研究 の 目的:

• ドメインシフト下でのハイパースペクトル画像分類のための効果的な方法を開発すること。
• 局所的および全体的な特徴の両方を効率的に捉える新しいネットワークアーキテクチャを提案すること。
• ソースドメインとターゲットドメインの間のギャップを埋めるためにドメインミキシング戦略を導入すること。

主な方法:

• 双方向マンバモジュール（BMM）は、CNNおよびTransformerの限界に対処するために、効率的な長距離依存性キャプチャのために提案されています。
• 信頼性の高いターゲットドメイン予測のために、安定した教師モデルを使用した自己蒸留戦略が採用されています。
• ドメインミキシング教師あり学習（DMSL）モジュールは、データ空間におけるドメイン間ギャップを削減するために混合ドメインを作成します。

主要な成果:

• 提案されたBMDMnetは、最先端のアルゴリズムと比較して優れたパフォーマンスを示しました。
• クロスシーンデータセット3つで実験が実施され、手法の有効性が検証されました。
• BMMとDMSLの統合は、ドメインシフト下でのHSI分類精度を大幅に向上させます。

結論:

• BMDMnetは、ドメインシフトを伴うハイパースペクトル画像分類のための効率的かつ効果的なソリューションを提供します。
• 提案されたBMMおよびDMSLモジュールは、既存のドメイン適応技術の限界をうまく対処しています。
• この研究は、ドメイン変動を処理するための堅牢な方法を提供することにより、HSI分類の分野を進歩させます。