WaveMambaは、Wavelet変換と空間スペクトルMambaアーキテクチャを統合することで、従来の深層学習モデルよりもハイパースペクトル画像の分類精度を向上させる。
ハイパースペクトル画像分類において、従来のランダムサンプリングによるモデル検証では、訓練データとテストデータの重複により過剰な精度が出てしまう問題がある。本論文では、スペクトル空間軸方向集約Transformerモデル(SaaFormer)を提案し、データセット分割における汎化能力を維持することで、この問題に対処する。
ウェーブレットベースのKolmogorov-Arnoldネットワーク(Wav-KAN)は、ハイパースペクトル画像分類において、従来の多層パーセプトロンやスプラインベースのKANよりも優れた性能を発揮する。
本稿では、ハイパースペクトル画像分類において、従来のTransformerベースの手法よりも計算効率が高く、高精度な分類を実現する軽量なインターバルグループ空間スペクトルマンバフレームワーク(IGroupSS-Mamba)を提案する。
ハイパースペクトル画像分類において、従来のTransformerモデルは固定の受容野と冗長な自己注意表現という課題を抱えていた。本論文では、これらの課題に対処するため、動的に受容野を選択し、最も関連性の高い特徴を優先することで、空間スペクトル両方の文脈情報を効果的に捉え、冗長なデータの影響を軽減する、選択的Transformer(SFormer)を提案する。
本研究は、3D Swin Transformerと空間-スペクトルトランスフォーマーの注意機構の融合を提案し、ハイパースペクトル画像分類の精度と信頼性を大幅に向上させる。
ハイパースペクトル画像分類の課題に対して、深層学習モデルの活用が大きな進歩をもたらしている。特に、従来手法からTransformerモデルの登場まで、分類精度の向上と複雑な特徴の抽出が実現されている。
ピラミッド型階層構造とトランスフォーマーを組み合わせることで、局所的および大域的な特徴を効率的に抽出し、ハイパースペクトル画像分類の性能を向上させる。
提案の3D-ConvSSTモデルは、3D畳み込み誘導残差モジュールを使用してスペクトル情報を融合し、空間情報を抽出し、最終的な特徴表現にグローバル平均プーリングを適用することで、ハイパースペクトル画像分類の精度を大幅に向上させる。