S$^2$Mamba:一种面向高光谱遥感图像分类的空间 - 光谱状态空间模型
该研究基于 Mamba 模型,提出了一种名为 SS-Mamba 的光谱空间分类方法,通过光谱 - 空间令牌生成模块和多个堆叠的光谱 - 空间 Mamba 块实现光谱和空间信息的融合,从而有效地进行高光谱图像分类。该方法在广泛使用的高光谱数据集上取得了与最先进方法相媲美的结果,为高光谱图像分类研究开辟了新的方向。
Apr, 2024
提出了一种基于 3D-Spectral-Spatial Mamba 框架的新方法,用于全局光谱 - 空间关系建模及高效的高光谱影像分类,实验结果表明该方法在 HSI 分类任务中优于现有方法。
May, 2024
SpectralMamba 是一种高效的深度学习框架,结合了状态空间模型来进行高光谱图像分类,通过学习动态掩膜和合并光谱的操作在隐藏状态空间中实现了选择性的响应,同时在计算效率和性能角度上取得了令人满意的成果。
Apr, 2024
本论文提出了一种基于空间 - 谱选择性状态空间模型的 U 型网络(称为 SSUMamba),用于高光谱图像去噪,能够在状态空间模型计算中实现完全的全局空间 - 谱相关性,通过引入交替扫描策略(SSAS)对多方向 3D 高光谱图像进行信息流建模。实验证明,我们的方法优于其他方法。
May, 2024
提出了一种轻量级双流 Mamba 卷积网络 (DualMamba) 用于高光谱图像分类,通过全局局部光谱空间特征提取和全局局部融合实现了显著的分类准确度和模型参数减少。
Jun, 2024
图像融合是通过将具有有限光谱信息的高分辨率图像与具有丰富光谱数据的低分辨率图像相结合,生成高分辨率的多 / 高光谱图像。本文提出了一种名为 FusionMamba 的创新方法,通过在两个 U 型网络中结合 Mamba 块,以一种高效、独立和分级的方式提取空间和光谱特征,进而有效地将空间和光谱信息进行融合,得到了优于其他融合技术的性能,证明了 FusionMamba 的有效性。
Apr, 2024
通过利用选择性状态空间模型(Mamba)的近乎线性计算复杂性,本文提出了 HSIDMamba(HSDM)用于高光谱图像去噪,利用 HSDM 的连续扫描机制强化了空间 - 光谱相互作用,提高了去噪性能,实验结果表明 HSDM 在性能上超过了最新的变压器架构的效率提升 30%。
Apr, 2024
利用创新的 Mamba-in-Mamba (MiM) 架构和利用 State Space Model (SSM) 的首次尝试,本研究提出了用于高光谱图像分类的 MiM 模型,通过改进的特征生成和集中方法以及改进的解码效率,优于现有基线和最先进方法,展示了其在高光谱应用中的效力和潜力。
May, 2024
RSMamba 是基于状态空间模型(SSM)和 Mamba 的高效、硬件感知设计的一种远程感知图像分类的新型架构,它通过动态多路径激活机制增强了模型对非因果数据的建模能力,并在多个远程感知图像分类数据集上展现出卓越的性能,具有成为未来视觉基础模型骨干的潜力。
Mar, 2024