要旨: ハイパースペクトル画像（HSI）の分類は、さまざまな環境アプリケーションを支えるために重要である一方で、スペクトル混合効果、空間-スペクトルの異質性、さらにクラス境界や詳細を保持することが難しいという理由から、取り組みが困難な課題です。本書簡では、分類精度を向上させるためのクラスタリング・トークンを備えた、アンミキシング誘導型の空間-スペクトルMambaという新しい手法を提案し、以下の貢献を行います。第一に、パターン発見を改善するために、HSIにおけるスペクトル混合効果を解きほぐすため、スペクトルのアンミキシング・ネットワークを新たに設計します。このネットワークは、HSIからエンドメンバーとアバンダンス（存在量）マップを自動的に学習するだけでなく、エンドメンバーの変動性も考慮します。第二に、Mambaのトークン系列を生成するために、アバンダンスマップによって定義されたクラスタに基づいて、効率的なTop- extit{K}トークン選択戦略を設計し、トークンを適応的にシーケンス化することで表現能力の向上を図ります。第三に、空間-スペクトルの特徴学習と詳細の保持を改善するために、Top- extit{K}トークン系列に基づいて、新しいアンミキシング誘導型の空間-スペクトルMambaモジュールを設計します。これにより、トークン学習とシーケンス化の観点で従来のMambaモデルを大きく改善できます。第四に、エンドメンバー-アバンダンスのパターンと分類ラベルを同時に学習するため、モデルの教師信号としてマルチタスク手法が設計され、その結果、正確な分類マップだけでなく、包括的なスペクトル・ライブラリとアバンダンスマップも出力する新しいアンミキシング-分類フレームワークが得られます。4つのHSIデータセットに対する比較実験により、本モデルが他の最先端手法を大幅に上回ることが示されます。コードは https://github.com/GSIL-UCalgary/Unmixing_guided_Mamba.git で利用可能です
クラスタリング・トークン付きのアンミキシング誘導型空間スペクトルMambaによるハイパースペクトル画像分類
arXiv cs.CV / 2026/4/14
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、スペクトル混合の影響、空間-スペクトルの異質性、クラス境界や微細な情報を保持することといった主要なハイパースペクトル画像（HSI）の課題に対処するための、「アンミキシング誘導型」の空間-スペクトルMambaモデルを提案する。
- エンドメンバーとアバンダンス（存在量）マップを学習するスペクトル・アンミキシングのネットワークを導入し、パターン発見を改善するためにエンドメンバーの変動性を明示的に考慮する。
- 本手法は、アバンダンスマップから得られるクラスタリングに基づいてMambaのトークン系列を形成し、表現能力を高めるための効率的なTop-Kトークン選択戦略を用いる。
- マルチタスク学習により、エンドメンバー-アバンダンスの学習と分類ラベルを同時に教師ありで監督し、正確な分類マップに加えてスペクトルライブラリやアバンダンスマップといった出力も得る。
- 4つのHSIデータセットでの実験により、既存の最先端手法に対して大幅な改善が報告されており、著者らはGitHubでコードを公開している。
