将 Recurrent-KAN 与 SAM 适配器结合用于盲超光谱解混

《IEEE Transactions on Geoscience and Remote Sensing》：Integrating Recurrent-KAN with SAM Adapter for Blind Hyperspectral Unmixing

基于SAM适配器与循环KAN的高光谱混合像素分解方法，提出分阶段的三层结构：HU-SAM适配器融合全局局部特征，迭代学习的Recurrent-KAN模块稳定提取端元，优化Swin Transformer实现低参数 abundance估计。在真实与合成数据集上优于8种SOTA方法。

　　

摘要：

由于传感器的限制，高光谱图像中包含大量混合像素。高光谱解混技术将这些混合像素分解为不同的端元及其对应的丰度值。传统方法在解码器中初始化权重，并将输出/权重用作丰度图和端元——这种方法严重依赖于初始权重，从而显著限制了性能。本文提出了一种盲式高光谱解混方法，该方法结合了循环Kolmogorov-Arnold网络（KAN）和Segment Anything模型（SAM）适配器。该方法通过三个连续阶段进行操作：特征编码、端元提取和丰度估计。具体来说，在特征编码阶段，提出了一种HU-SAM适配器来捕获全局-局部空间特征；在端元提取阶段，一个迭代学习的循环KAN模块在稳定模型学习的同时重构端元；在丰度估计阶段，使用了一个更新的Swin Transformer模块以保持较少的参数数量。在真实和合成数据集上的广泛实验表明，所提出的方法比八种最先进的方法具有更优越的效果。