金字塔玛巴:基于选择性空间状态模型重新思考金字塔特征融合用于遥感图像语义分割
该研究通过引入 Mamba 模型和协同完成模块,提出了一种新型双分支网络 RS3Mamba,用于遥感图像语义分割任务,并在 ISPRS Vaihingen 和 LoveDA Urban 数据集上进行了实验证明其有效性和潜力。
Apr, 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
提出了一种基于 FusionMamba 的动态特征增强方法,用于多模式图像融合,具有与 Mamba 相同的性能和全局建模能力,同时降低通道冗余并增强本地增强能力。证明了该模型在各种多模式医学图像融合任务(CT-MRI、PET-MRI、SPECT-MRI)、红外和可见图像融合任务(IR-VIS)以及多模式生物医学图像融合数据集(GFP-PC)中具有泛化能力。
Apr, 2024
该研究介绍了 Sigma,一种用于多模态语义分割的 Siamese Mamba 网络,利用选择性结构状态空间模型(Mamba),并在 RGB - 热力图和 RGB - 深度分割任务上进行了评估,展示了其在多模态感知任务中的优越性和标志性应用
Apr, 2024
通过创新性地提出 S^2Mamba,即一种适用于高光谱图像分类的空间 - 光谱状态空间模型,以发掘空间 - 光谱上下文特征,实现更高效准确的土地覆盖分析。
Apr, 2024
该研究提出了一种针对高分辨率遥感图像的语义分割框架,名为 Samba,其采用编码器 - 解码器架构,使用 Samba 块作为编码器来高效地提取多层语义信息,以及 UperNet 作为解码器。在 LoveDA 数据集上的评估结果表明,Samba 在 LoveDA 上取得了前所未有的性能,为 Mamba 技术在这一特定应用中的性能设定了新的基准。
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
基于 Mamba 算法的本地增强视觉 Mamba(LEVM)块和状态共享技术的图像融合网络(LE-Mamba)在多光谱和高光谱图像融合数据集上取得了最先进的结果,证明了该方法的有效性。
Apr, 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
本文介绍了一种名为 CM-UNet 的方法,该方法以 CNN 为基础提取局部图像特征,并以 Mamba 为基础聚合和整合全局信息,从而有效地实现大规模遥感图像的语义分割。实验证明,CM-UNet 在各种性能指标上优于现有方法。
May, 2024