RS DL
论文介绍
题目：MambaHSI: Spatial–Spectral Mamba for Hyperspectral Image Classification
期刊：IEEE Transactions on Geoscience and Remote Sensing
论文：https://ieeexplore.ieee.org/document/10604894
代码：https://github.com/li-yapeng/MambaHSI
年份：2024
创新点
基于Mamba的HSI分类模型：该模型利用Mamba在建模长程依赖性和线性计算复杂度方面的优势，克服了传统CNN和Transformer模型的局限性。
结合空间和光谱信息：提出了空间Mamba模块(SpaMB)和光谱Mamba模块(SpeMB)，以捕捉对HSI分类至关重要的两种信息。
自适应融合空间和光谱特征：利用空间光谱融合模块(SSFM)自适应融合空间和光谱特征。
数据
帕维亚大学数据集（Pavia University）
传感器：反射光学系统成像光谱仪（ROSIS）。
波段数：103。
尺寸：610×340 像素。
类别：九个类别，包括各种城市和植被地物。
休斯顿数据集（Houston）：
传感器：ITRES CASI 1500。
波段数：144。
尺寸：349×1905 像素。
类别：16 个类别，如住宅、商业和植被。
WHU-Hi-HanChuan 数据集：
传感器：Headwall Nano-Hyperspec。
波段数：274（400 到 1000 nm）。
尺寸：1217×303 像素。
类别：多种地物类别，且包含七种作物，草莓、豇豆、大豆等。
WHU-Hi-HongHu（洪湖）数据集：
传感器：Headwall Nano-Hyperspec。
波段数：270（400 到 1000 nm）。
尺寸：940×475 像素。
标记像素：多种作物类别。
类别：多种农作物及其不同品种。
方法
总体结构
1.嵌入层
功能：将光谱向量投射到像素级的嵌入空间。
卷积层：使用 1×1 卷积核对输入进行卷积操作。
组归一化（GN）层：对卷积后的结果进行归一化处理。
SiLU 激活函数：应用 SiLU 激活函数。
2.编码器
空间 Mamba 块（SpaMB）：
目的：通过建模长距离依赖关系提取空间特征。
展平输入嵌入。
应用带有 GN 和 SiLU 激活的 Mamba 层。
重塑并添加残差连接到输入嵌入。
光谱 Mamba 块（SpeMB）：
目的：利用光谱连续性提取光谱特征。
将光谱特征分组。
展平分组后的光谱特征。
应用带有 GN 和 SiLU 激活的 Mamba 层。
重塑并添加残差连接到输入嵌入。
空间-光谱融合模块（SSFM）：
目的：自适应地融合空间和光谱特征。
估计空间和光谱特征的重要性。
使用学习到的权重和残差连接融合特征。
3.分割头
分割头通过 1×1 卷积层生成最终的分类 logits，用于像素级别的分类预测。
结果和精度
精度对比
MambaHSI 在所有四个数据集上都取得了SOTA的结果，超越了其他基于 ML、GCN、CNN 和Transformer 的方法。
多个数据集上的精度值对比
多个数据集上的可视化对比
消融实验
复杂度分析
更多分析可见原文
欢迎关注CVPR 2024系列
因配置了AI回复功能，除关键词自动回复外，号内信息主要由AI大模型回复。如需资源、投稿、合作等，请直接联系小助手微信（添加请备注：咨询、投稿、合作、加群，加群需备注姓名/昵称，单位和研究方向）。
关于AI回复功能：
公众号新增AI回复功能，已接入大模型，集成查找ArXiv论文、CSDN博文等功能
问题及讨论可直接在文章下方留言
相关链接：
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
