WaveMamba: Spatial-Spectral Wavelet Mamba for Hyperspectral Image Classification

要約

ハイパースペクトルイメージング(HSI)は、多様なアプリケーションにおいて詳細なスペクトルおよび空間情報を取得するための強力なツールであることが証明されている。HSI分類（HSIC）のためのディープラーニング（DL）とトランスフォーマーアーキテクチャの進歩にもかかわらず、計算効率や広範なラベル付きデータの必要性などの課題は依然として残っている。本稿では、HSICを強化するためにウェーブレット変換をSpatial-Spectral Mambaアーキテクチャと統合する新しいアプローチであるWaveMambaを紹介する。WaveMambaは局所的なテクスチャパターンと大域的な文脈関係の両方をエンドツーエンドの学習可能なモデルで捉える。ウェーブレットベースの強化された特徴は、次に状態空間アーキテクチャを通して処理され、空間-スペクトル関係と時間依存性をモデル化する。実験結果は、WaveMambaが既存のモデルを凌駕し、ヒューストン大学データセットで4.5%、パヴィア大学データセットで2.0%の精度向上を達成したことを示している。これらの結果は、HSIに内在する複雑なデータの相互作用に対処する有効性を検証している。

要約(オリジナル)

Hyperspectral Imaging (HSI) has proven to be a powerful tool for capturing detailed spectral and spatial information across diverse applications. Despite the advancements in Deep Learning (DL) and Transformer architectures for HSI Classification (HSIC), challenges such as computational efficiency and the need for extensive labeled data persist. This paper introduces WaveMamba, a novel approach that integrates wavelet transformation with the Spatial-Spectral Mamba architecture to enhance HSIC. WaveMamba captures both local texture patterns and global contextual relationships in an end-to-end trainable model. The Wavelet-based enhanced features are then processed through the state-space architecture to model spatial-spectral relationships and temporal dependencies. The experimental results indicate that WaveMamba surpasses existing models, achieving an accuracy improvement of 4.5\% on the University of Houston dataset and a 2.0\% increase on the Pavia University dataset. These findings validate its effectiveness in addressing the complex data interactions inherent in HSIs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL