高光谱图像的高效无监督深度频带选择：与基于Mamba的分类方法的对比研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Efficient Unsupervised Deep Band Selection for Hyperspectral Imagery: A Comparative Study with Mamba-based Classification

　　

摘要：

在处理高光谱图像时，波段选择是一个关键步骤；降低输入数据的维度有助于减少冗余、提升计算效率并提高学习精度。由于具备出色的特征表示能力，基于高效无监督深度学习的波段选择方法近年来受到了极大关注。现有研究显示，关于特征选择的研究更为广泛且通用，一些最新的基于深度学习的高光谱图像波段选择方法正是从中获得灵感。本研究是对各类高效无监督深度学习高光谱图像波段选择方法进行的比较分析，这些方法大多源自通用的特征选择技术。研究针对六种最先进的高效无监督高光谱图像波段选择方法，从下游分类性能和计算成本两个方面进行了基准测试。分类实验使用了三个公开的遥感数据集以及三种分类器——MambaHSI、HyPyraMamba和支撑向量机。本研究对这些高效无监督的高光谱图像波段选择方法进行了统一比较，同时探讨了在此场景下使用基于Mamba的分类器的可能性。