Kernkonzepte
提案手法S2Mambaは、空間的および分光的な長距離依存関係をモデル化するための効率的な状態空間モデルを活用し、高スペクトル画像分類の精度と効率を大幅に向上させる。
Zusammenfassung
本論文では、高スペクトル画像分類のための新しいアーキテクチャであるS2Mambaを提案している。S2Mambaは、空間的および分光的な特徴を効率的に抽出するために、選択的構造化状態空間モデルを活用する。
具体的には、以下の3つのモジュールから構成される:
パッチ間スキャンニングモジュール(PCS)
隣接するピクセル間の空間的な関係性をモデル化する
選択的構造化状態空間モデルを用いて効率的に長距離依存関係をキャプチャする
双方向分光スキャンニングモジュール(BSS)
連続する分光バンド間の意味的情報を抽出する
双方向のスキャンニングにより、各分光バンドの文脈情報を効果的にモデル化する
空間-分光ミクスチャゲート(SMG)
PCSとBSSで抽出した特徴を最適に融合する
各位置ごとに学習可能な重みを割り当て、空間的および分光的特徴の寄与度を動的に調整する
これらの設計により、S2Mambaは高スペクトル画像分類の精度と効率を大幅に向上させることができる。実験結果から、提案手法がインディアンパインズ、パビアユニバーシティ、ヒューストン2013のデータセットにおいて、従来手法を大きく上回る性能を示すことが確認された。
Statistiken
高スペクトル画像分類の精度(OA)はインディアンパインズで97.92%、パビアユニバーシティで97.81%、ヒューストン2013で93.36%を達成した。
平均精度(AA)はインディアンパインズで98.88%、パビアユニバーシティで97.14%、ヒューストン2013で94.09%であった。
カッパ係数(κ)はインディアンパインズで0.9761、パビアユニバーシティで0.9705、ヒューストン2013で0.9279であった。
Zitate
"S2Mambaは、空間的および分光的な長距離依存関係をモデル化するための効率的な状態空間モデルを活用し、高スペクトル画像分類の精度と効率を大幅に向上させる。"
"提案手法のS2Mambaは、インディアンパインズ、パビアユニバーシティ、ヒューストン2013のデータセットにおいて、従来手法を大きく上回る性能を示す。"