双向mamba与双分支特征提取用于高光谱图像分类的双向mamba
Ming Sun1,2, Jie Zhang1, Xiaoou He1
1College of Computer and Control Engineering, Qiqihar University, Qiqihar 161006, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究介绍了DBMamba,一种用于高光谱图像 (HSI) 分类的新型CNN-Mamba网络. DBMamba有效地利用光谱特征并降低计算成本,优于现有方法.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 超光谱图像 (HSI) 分类对于遥感分析至关重要.
- 卷积神经网络 (CNN) 已经推进了HSI分类,但在光谱特征利用和计算成本方面存在困难.
- 现有的方法往往无法完全捕捉HSI数据的顺序光谱属性.
研究的目的:
- 提出一个新的网络,DBMamba,它解决了CNN在HSI分类中的局限性.
- 增强利用光谱特征,减少HSI分类中的计算复杂性.
- 提高高光谱图像分类的整体准确性和效率.
主要方法:
- 提出了一个CNN-Mamba架构 (DBMamba),将CNN与双向Mamba集成在一起.
- 主要组件分析 (PCA) 用于初始特征提取.
- 双分支CNN (3D-CNN和2D-CNN) 提取浅层的光谱空间特征,然后是双向Mamba用于全球上下文信息和光谱特征增强.
主要成果:
- 在基准数据集 (印度松树,萨利纳斯,帕维亚大学) 上,DBMamba表现出卓越的分类性能.
- 拟议的方法在各自的数据集上实现了1.04%,0.15%和0.09%的精度改进,相比SSFTT方法.
- 该网络有效地捕获全球上下文信息,并增强带有线性计算成本的光谱特征提取.
结论:
- 通过有效利用光谱空间特征和Mamba的顺序处理能力,DBMamba在高光谱图像分类方面取得了重大进展.
- 与现有的最先进的方法相比,拟议的架构提供了更有效,更准确的方法.
- 这项研究为基于深度学习的HSI分类的未来发展提供了宝贵的见解.
