HiMamba2：用于高光谱图像分类的线性复杂度层次状态空间建模方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：HiMamba2: Hierarchical State Space Modeling with Linear Complexity for Hyperspectral Image Classification

　　

摘要：

高光谱图像分类面临着诸多挑战，这些挑战源于高光谱维度、复杂的时空依赖关系以及有限的标记样本。尽管基于Transformer的方法具备强大的长距离建模能力，但其二次方的计算复杂度O(L2·d)给高维数据带来了巨大瓶颈。状态空间模型方法虽然具有线性复杂度O(L·d)，但通常采用单尺度特征提取，且缺乏有效的正则化机制。本文提出了HiMamba2，这是一种分层状态空间模型架构，具有三项主要创新点：并行多尺度卷积嵌入，能够在多个感受野尺度上捕获互补的光谱-空间特征；结合自适应DropPath正则化与串行卷积块注意力模块双注意力的非对称加权残差连接，以提高在有限标记数据条件下的训练稳定性和特征区分度；以及一种非对称双阶段设计，通过层间融合将浅层细粒度特征与深层语义特征相结合，同时保持线性复杂度O(L·d)。在Houston2013、WHU-Hi-HanChuan和Pavia University数据集上的实验显示，该方法的总体准确率分别为93.40%、93.02%和97.52%，优于13种代表性的CNN、注意力机制、Transformer及Mamba架构方法。训练116个周期即可收敛，耗时262.84秒，GPU内存峰值使用量为182.95MB，每样本推理时间为0.665毫秒，充分证明了该方法的实用效率。一旦本文被接收，HiMamba2的完整PyTorch实现代码将发布在https://github.com/Jason20155/网站上。