Physics-Aligned Spectral Mamba：少数ショット・ハイパースペクトル標的検出における意味とダイナミクスの分離
arXiv cs.CV / 2026/4/8
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、フルパラメータの微調整における過学習と非効率性を対象とした、少数ショット・ハイパースペクトル標的検出のための、パラメータ効率の高い周波数対応メタラーニング手法 SpecMamba を提案する。
- スペクトル特徴を周波数領域へ射影する Discrete Cosine Transform Mamba Adapter（DCTMA）を導入し、Mamba の線形計算量の状態空間再帰を用いて、グローバルなスペクトル依存関係とバンドの連続性をモデル化する。
- 限られたサンプル下でのプロトタイプドリフトを抑えるために、Prior-Guided Tri-Encoder（PGTE）を追加する。これは、実験室で得られたスペクトルの事前知識を活用してアダプタの学習を導きつつ、凍結した Transformer の意味表現の安定性を維持する。
- 推論時の適応として、不確実性に応じたサンプリングとデュアルパス一貫性制約を用いる Self-Supervised Pseudo-Label Mapping（SSPLM）を開発し、意思決定境界を効率的に洗練する。
- 複数の公開ハイパースペクトルデータセットでの実験により、SpecMamba が既存の最先端手法に比べて検出精度およびドメイン間の汎化性能を向上させることが示される。
