高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征...高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征学习和高效运算的优势,但目前在多模态遥感数据融合分类中的研究较少,存在多源特征信息缺失,融合不足等问题。基于此,本文提出了一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络。该网络包括一个可堆叠的基于Mamba结构的双通道协同注意力模块,利用参数共享促进了多源特征之间的相互学习,从而在分类任务中实现更高的分类精度和更好的泛化能力。实验结果表明,本文所提算法在Trento,Houston2013和MUUFL数据集上的总体精度分别达到了99.33%,91.74%和94.94%,能够更为高效地提取、融合多源特征。展开更多
射频指纹(Radio Frequency Fingerprint,RFF)识别是目标识别的一项关键技术,能够在无需解码或解密的情况下,仅依赖信号的物理层特征实现对无人机个体的精确识别。由于无人机射频前端在制造过程中存在的细微差异,不同个体在硬件非线性特...射频指纹(Radio Frequency Fingerprint,RFF)识别是目标识别的一项关键技术,能够在无需解码或解密的情况下,仅依赖信号的物理层特征实现对无人机个体的精确识别。由于无人机射频前端在制造过程中存在的细微差异,不同个体在硬件非线性特性、频率响应及相位噪声等方面均具有独特性,从而形成了可用于区分个体的固有射频指纹。然而,传统的RFF识别方法通常依赖单一特征表示,在抗干扰性与动态特征建模能力方面存在明显不足。为此,本文提出了一种高效多域特征融合方法。该方法深度融合了信号的同相/正交特征、双谱特征以及短时傅里叶谱特征,以实现射频指纹的增强表征。所设计的融合架构在显著提升识别精度的同时,也有效增强了模型的泛化能力。针对多域特征融合带来的计算复杂度和实时性瓶颈,本文进一步构建了基于Mamba与VisionMamba的高效融合框架。该框架充分发挥Mamba模型在长序列建模中的线性计算复杂度优势,并结合硬件感知的算法优化策略,在保持高识别精度的同时显著降低了计算开销。此外,针对特征融合过程中冗余与互补性难以平衡的问题,本文引入了基于交叉注意力机制的自适应特征交互模块。该模块能够动态建模多源特征间的依赖关系,实现融合权重的自适应分配,从而有效抑制由环境干扰引起的特征退化现象。实验结果表明,所提出的方法在保持低计算复杂度与快速推理速度的同时,识别准确率达到97.76%,充分验证了该识别方法的有效性与优越性。展开更多
以Mamba为代表的状态空间模型(state space models,SSM)凭借其出色的长程依赖建模能力与较低的线性计算复杂度,在医学图像分割领域展现出广阔的应用前景。但该类方法对图像逐像素展平的处理方式会破坏图像空间结构,导致局部细节提取不足...以Mamba为代表的状态空间模型(state space models,SSM)凭借其出色的长程依赖建模能力与较低的线性计算复杂度,在医学图像分割领域展现出广阔的应用前景。但该类方法对图像逐像素展平的处理方式会破坏图像空间结构,导致局部细节提取不足,且缺乏对器官与病灶的聚焦机制,在复杂背景下易引入冗余背景信息。为解决上述问题,本文提出了一种融合谱域动态特征与注意力机制的医学图像分割网络——频域动态注意力U型Mamba(spectral dynamic attention U-Mamba,SDA U-Mamba)。该网络采用分层U型结构设计,分别从空间连续性建模和区域聚焦能力两方面对Mamba进行优化。在网络浅层设计Mamba空频注意力模块,通过融合空域卷积、频域变换和金字塔自注意力结构以提升模型的局部信息感知能力与多尺度上下文建模效果;在网络深层引入双极路由注意力模块,通过动态路由选择与稀疏激活机制增强模型对医学图像器官或病灶的表征。实验结果表明,SDA U-Mamba在BUSI、CVCClinicDB与CHAOS-Liver这3个公开医学数据集上的分割性能显著优于当前主流方法,平均交并比(intersection over union,IoU)提升2.61%。本文所提算法可用于临床医学图像分割。展开更多
文摘高光谱图像HSI(Hyperspectral Image)可以捕获地物成分的光谱特征,但缺失三维信息,而激光雷达LiDAR(Light Detection And Ranging)可以捕获地物的距离高度信息,两类数据相互补充可以有效提升地物识别分类的精度。Mamba模型具有远程特征学习和高效运算的优势,但目前在多模态遥感数据融合分类中的研究较少,存在多源特征信息缺失,融合不足等问题。基于此,本文提出了一种基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络。该网络包括一个可堆叠的基于Mamba结构的双通道协同注意力模块,利用参数共享促进了多源特征之间的相互学习,从而在分类任务中实现更高的分类精度和更好的泛化能力。实验结果表明,本文所提算法在Trento,Houston2013和MUUFL数据集上的总体精度分别达到了99.33%,91.74%和94.94%,能够更为高效地提取、融合多源特征。
文摘射频指纹(Radio Frequency Fingerprint,RFF)识别是目标识别的一项关键技术,能够在无需解码或解密的情况下,仅依赖信号的物理层特征实现对无人机个体的精确识别。由于无人机射频前端在制造过程中存在的细微差异,不同个体在硬件非线性特性、频率响应及相位噪声等方面均具有独特性,从而形成了可用于区分个体的固有射频指纹。然而,传统的RFF识别方法通常依赖单一特征表示,在抗干扰性与动态特征建模能力方面存在明显不足。为此,本文提出了一种高效多域特征融合方法。该方法深度融合了信号的同相/正交特征、双谱特征以及短时傅里叶谱特征,以实现射频指纹的增强表征。所设计的融合架构在显著提升识别精度的同时,也有效增强了模型的泛化能力。针对多域特征融合带来的计算复杂度和实时性瓶颈,本文进一步构建了基于Mamba与VisionMamba的高效融合框架。该框架充分发挥Mamba模型在长序列建模中的线性计算复杂度优势,并结合硬件感知的算法优化策略,在保持高识别精度的同时显著降低了计算开销。此外,针对特征融合过程中冗余与互补性难以平衡的问题,本文引入了基于交叉注意力机制的自适应特征交互模块。该模块能够动态建模多源特征间的依赖关系,实现融合权重的自适应分配,从而有效抑制由环境干扰引起的特征退化现象。实验结果表明,所提出的方法在保持低计算复杂度与快速推理速度的同时,识别准确率达到97.76%,充分验证了该识别方法的有效性与优越性。
文摘以Mamba为代表的状态空间模型(state space models,SSM)凭借其出色的长程依赖建模能力与较低的线性计算复杂度,在医学图像分割领域展现出广阔的应用前景。但该类方法对图像逐像素展平的处理方式会破坏图像空间结构,导致局部细节提取不足,且缺乏对器官与病灶的聚焦机制,在复杂背景下易引入冗余背景信息。为解决上述问题,本文提出了一种融合谱域动态特征与注意力机制的医学图像分割网络——频域动态注意力U型Mamba(spectral dynamic attention U-Mamba,SDA U-Mamba)。该网络采用分层U型结构设计,分别从空间连续性建模和区域聚焦能力两方面对Mamba进行优化。在网络浅层设计Mamba空频注意力模块,通过融合空域卷积、频域变换和金字塔自注意力结构以提升模型的局部信息感知能力与多尺度上下文建模效果;在网络深层引入双极路由注意力模块,通过动态路由选择与稀疏激活机制增强模型对医学图像器官或病灶的表征。实验结果表明,SDA U-Mamba在BUSI、CVCClinicDB与CHAOS-Liver这3个公开医学数据集上的分割性能显著优于当前主流方法,平均交并比(intersection over union,IoU)提升2.61%。本文所提算法可用于临床医学图像分割。
