基于频率自适应卷积-Mamba网络的高光谱解混技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Hyperspectral Unmixing Using Frequency-Adaptive Convolutional-Mamba Network

　　

摘要：

近年来，由于深度学习（DL）在特征提取和建模方面的强大能力，其在高光谱解混（HU）领域取得了显著进展。然而，大多数现有的基于DL的方法主要在空间-光谱域中进行操作，忽略了频域表示中蕴含的丰富结构信息，尤其是在傅里叶域中。因此，这些方法往往难以有效应对光谱变化和随机噪声等挑战。在傅里叶域中，低频和高频成分可以灵活分解，从而实现有针对性的特征提取，通过强调具有区分性的光谱结构来增强解混的鲁棒性，同时抑制噪声。受这些优势的启发，我们提出了频率自适应卷积-Mamba（FACM）这一新颖的端到端盲解混框架。据我们所知，这是首次将整个流程（包括丰度估计、端元提取和损失函数）完全统一在傅里叶域内的研究。在丰度估计阶段，FACM通过傅里叶域中的频率自适应特征建模捕捉互补的局部和全局光谱-空间线索。在端元提取阶段，FACM通过使用频率特定的系数对可学习的光谱嵌入进行加权，生成准确的、无需初始化的候选端元。此外，频域损失从幅度和相位两个方面共同约束重建过程。在模拟和真实世界基准测试中的大量实验表明，FACM在端元提取和丰度估计的准确性方面均显著优于现有方法。源代码可在以下链接获取：https://github.com/flyzzie/FACM。