光谱选择卷积网络

轻量高精度

为高光谱图像设计的轻量级架构，以更少的参数实现更高的分类精度。

Zhuoyi, Zhao · 徐翔 · Chuiyi, Deng · 李军伟 · Plaza, Antonio

IEEE Transactions on Geoscience and Remote Sensing 2026

参数信息

数据集数量

4

技术优势

参数更少

SliMamba通过光谱选择卷积和重叠中心Mamba模块，以更少的参数实现高精度分类，显著降低模型复杂度。

精度更高

在四个基准数据集上，SliMamba一致优于最先进方法，验证了其分类精度。

捕捉跨通道依赖

通过光谱选择卷积中的维度交换和卷积核学习光谱权重，实现显式的跨通道特征表示。

利用先验知识

OC-Mamba整合中心像素的先验知识，结合重叠SSM和中心化SSM提取全局-局部和光谱-空间特征。

应用场景

• 遥感图像分析：提供高光谱图像分类的高精度轻量级模型，适用于遥感数据解译。
• 高光谱分类：直接用于高光谱图像分类任务，提高分类精度并降低模型复杂度。
• 轻量级深度学习：以更少的参数实现高性能，适合资源受限的轻量级深度学习应用。
• 边缘计算视觉：模型轻量，可部署于边缘设备进行实时高光谱图像分析。