一种轻量级状态空间模型，结合多尺度形态学和低秩特征提取技术，用于高光谱图像分类

《Annals of the New York Academy of Sciences》：A Lightweight State Space Model With Multiscale Morphology and Low-Rank Head for Hyperspectral Image Classification

提出MMLH-RSSN模型，结合多尺度形态学特征提取、增强残差SSM主干网络和低秩头，解决HSI分类中的单尺度限制和训练不稳定问题，在四个数据集上达到最高准确率，参数仅0.063M|

　　

摘要

状态空间模型（SSMs）在高光谱图像（HSI）分类方面取得了显著进展，但现有方法仍存在局限性。这些方法通常依赖于单一尺度的特征提取器，这限制了它们对不同空间几何结构的建模能力；此外，其标准的网络架构在处理复杂的高光谱数据时可能会出现训练不稳定问题。为了解决这些问题，本文提出了一种新型的轻量级多尺度形态学增强低秩头部残差状态空间网络（MMLH-RSSN），该网络基于一个协同框架构建，旨在实现鲁棒的特征表示和高效建模。具体而言，我们首先设计了一个多尺度形态学模块，以明确捕捉层次化的空间特征，这对于区分具有不同尺度的光谱相似类别至关重要。为了有效编码这些复杂特征，我们引入了增强型残差SSM，该模型结合了残差连接和层归一化机制，显著提高了模型的稳定性和学习能力。通过采用参数效率高的低秩分解头部，确保了网络的轻量化设计。在四个基准数据集上的广泛实验表明，MMLH-RSSN展现了卓越的性能，在Pavia大学和博茨瓦纳数据集上的整体准确率分别达到了98.51%和99.69%，而仅使用了0.063百万个参数。这项工作证明了多尺度先验与稳定化SSM架构的结合，为高光谱图像分类提供了一种高精度且高效的解决方案，尤其是在资源受限的场景中。

图形摘要

多尺度形态学增强低秩头部残差状态空间网络是一种轻量级的高光谱图像分类网络，它结合了多尺度形态学特征提取、稳定的残差状态空间架构以及低秩头部设计。该网络能够捕捉层次化的空间模式，提高训练稳定性，并保持高效性。在四个广泛使用的公共基准数据集上，它仅使用0.063百万个参数就实现了业界领先的准确率。

利益冲突

作者声明他们没有已知的竞争性财务利益或个人关系，这些因素可能影响本文所述的工作。

数据可用性声明

这些数据集属于公共领域。代码将在手稿发表后公开。

同行评审

为了保证透明度，与本文相关的同行评审文档可在https://doi.org/10.1111/nyas.70271处获取。

第三轮评审
编辑决定函	2026/03/12
编辑1的建议	2026/03/12
第二轮评审
编辑决定函	2026/03/09
编辑1的建议	2026/03/09
评审员1的报告	2026/03/07
第一轮评审
编辑决定函	2026/01/09
编辑1的建议	2026/01/09
评审员1的报告	2026/01/07
评审员2的报告	2025/12/29