摘要
多模态遥感分类旨在通过利用高光谱图像和辅助模态的互补信息，提升像素级土地覆盖识别能力。然而，在标注数据有限且跨模态差异显著的情况下，现有方法往往侧重于特征提取架构或融合方案的设计，而较少关注语义先验提取分支是否能够适应当前任务的分布特征。针对这一问题，我们提出了SGML-net（语义引导元学习网络），这是一种语义引导的元学习框架，集成了双流特征提取、自适应特征融合以及协同GCN-Mamba表示模块。其中，GCN分支从动态邻接关系中捕获与任务相关的语义先验，而Mamba分支则捕获长程空间依赖关系。我们进一步提出了一种两阶段训练策略：第一阶段通过元学习获得任务自适应的语义先验，第二阶段将其作为稳定的引导用于全局语义融合。在MUUFL、Houston和Berlin数据集上的实验表明，整体分类准确率分别达到84.90%、95.30%和89.40%，验证了SGML-net在小样本多模态遥感分类任务中的有效性。
