高スペクトル画像分類のための空間-スペクトル状態空間モデル S2Mamba

Core Concepts

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。

Abstract

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。

Stats

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。

Quotes

"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。"

Key Insights Distilled From

S$^2$Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification

by Guanchun Wan... at arxiv.org 04-30-2024

https://arxiv.org/pdf/2404.18213.pdf

Deeper Inquiries

高スペクトル画像分類における状態空間モデルの適用可能性はどのように広がるか?

状態空間モデルは、長い系列データのモデリングに効果的な手法であり、高スペクトル画像分類においてもその適用可能性が広がると考えられます。例えば、本文で述べられているように、状態空間モデルを用いたS2Mambaは、高スペクトル画像の空間的およびスペクトル的な特徴を効率的に抽出し、精度向上を実現しています。状態空間モデルは、長い系列データに対して線形の計算複雑性を持ちながら長距離依存関係をモデリングするため、高スペクトル画像の複雑な情報を効果的に扱うのに適しています。さらに、状態空間モデルは、選択的なメカニズムを導入することで、入力信号に依存したパラメータ行列を計算し、複雑なシーケンスを処理する能力を向上させることができます。そのため、高スペクトル画像分類においても、状態空間モデルを活用することで、より効率的で精度の高い分類が可能となるでしょう。