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
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。
