論文の概要: MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification
- arxiv url: http://arxiv.org/abs/2504.20509v1
- Date: Tue, 29 Apr 2025 07:50:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.798434
- Title: MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification
- Title（参考訳）: MambaMoE:ハイパースペクトル画像分類のためのスペクトル-空間-拡張状態空間モデル
- Authors: Yichu Xu, Di Wang, Hongzan Jiao, Lefei Zhang, Liangpei Zhang,
- Abstract要約: マンバモデルは、ハイパースペクトル画像(HSI)分類において強いポテンシャルを持つ。
本稿では,新しいスペクトル-空間混合実験フレームワークであるMambaMoEを提案する。
我々は,MambaMoEが精度と効率の両面で最先端の性能を達成することを示す。
- 参考スコア（独自算出の注目度）: 32.34863609876265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Mamba model has recently demonstrated strong potential in hyperspectral image (HSI) classification, owing to its ability to perform context modeling with linear computational complexity. However, existing Mamba-based methods usually neglect the spectral and spatial directional characteristics related to heterogeneous objects in hyperspectral scenes, leading to limited classification performance. To address these issues, we propose MambaMoE, a novel spectral-spatial mixture-of-experts framework, representing the first MoE-based approach in the HSI classification community. Specifically, we design a Mixture of Mamba Expert Block (MoMEB) that leverages sparse expert activation to enable adaptive spectral-spatial modeling. Furthermore, we introduce an uncertainty-guided corrective learning (UGCL) strategy to encourage the model's attention toward complex regions prone to prediction ambiguity. Extensive experiments on multiple public HSI benchmarks demonstrate that MambaMoE achieves state-of-the-art performance in both accuracy and efficiency compared to existing advanced approaches, especially for Mamba-based methods. Code will be released.
- Abstract（参考訳）: Mambaモデルは最近、線形計算複雑性を伴うコンテキストモデリングを行う能力から、ハイパースペクトル画像(HSI)分類の強い可能性を示している。
しかし、既存のマンバ法は、通常、ハイパースペクトルシーンにおける異種物体に関するスペクトル的・空間的指向性を無視し、限られた分類性能をもたらす。
これらの課題に対処するために,HSI分類コミュニティにおける最初のMoEに基づくアプローチとして,スペクトル空間混合専門家フレームワークであるMambaMoEを提案する。
具体的には、スパースエキスパートアクティベーションを活用して適応スペクトル空間モデルを実現するMixture of Mamba Expert Block (MoMEB)を設計する。
さらに、不確実性誘導型修正学習(UGCL)戦略を導入し、モデルが複雑な領域に注意を向け、曖昧さを予測しやすくする。
複数の公開HSIベンチマークに対する大規模な実験により、MambaMoEは、特にMambaベースの手法において、既存の高度なアプローチと比較して、精度と効率の両方で最先端のパフォーマンスを達成することが示された。
コードはリリースされる。
関連論文リスト
- Sparse Deformable Mamba for Hyperspectral Image Classification [1.3471768511567523]
Mambaモデルは、ハイパースペクトル画像(HSI)分類を大幅に改善する。
重要な課題の1つは、マンバトークンのシーケンスを効率的に構築することの難しさである。
本稿では,HSI分類の強化を目的としたスパース変形型マンバ (SDMamba) 手法を提案する。
論文 参考訳（メタデータ） (2025-04-13T06:08:19Z) - MambaHSI: Spatial-Spectral Mamba for Hyperspectral Image Classification [46.111607032455225]
本稿では,Mambaモデルに基づく新しいHSI分類モデル,MambaHSIを提案する。
具体的には,空間的マンバブロック(SpaMB)を設計し,画素レベルの画像全体の長距離相互作用をモデル化する。
スペクトルベクトルを複数のグループに分割し、異なるスペクトル群間の関係をマイニングし、スペクトル特徴を抽出するスペクトルマンバブロック(SpeMB)を提案する。
論文 参考訳（メタデータ） (2025-01-09T03:27:47Z) - Mamba-SEUNet: Mamba UNet for Monaural Speech Enhancement [54.427965535613886]
Mambaは、新しいステートスペースモデル(SSM)として、自然言語処理やコンピュータビジョンに広く応用されている。
本稿では,MambaとU-Net for SEタスクを統合する革新的なアーキテクチャであるMamba-SEUNetを紹介する。
論文 参考訳（メタデータ） (2024-12-21T13:43:51Z) - Mamba-CL: Optimizing Selective State Space Model in Null Space for Continual Learning [54.19222454702032]
継続的学習は、AIモデルに時間とともに一連のタスクを学習する能力を持たせることを目的としている。
ステートスペースモデル(SSM)はコンピュータビジョンにおいて顕著な成功を収めた。
大規模マンバ基礎モデルのコアSSMを連続的に微調整するフレームワークであるMamba-CLを紹介する。
論文 参考訳（メタデータ） (2024-11-23T06:36:16Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - MambaVT: Spatio-Temporal Contextual Modeling for robust RGB-T Tracking [51.28485682954006]
本研究では,マンバをベースとした純フレームワーク(MambaVT)を提案する。
具体的には、長距離クロスフレーム統合コンポーネントを考案し、ターゲットの外観変化にグローバルに適応する。
実験では、RGB-TトラッキングのためのMambaのビジョンの可能性が示され、MambaVTは4つの主要なベンチマークで最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2024-08-15T02:29:00Z) - MambaVision: A Hybrid Mamba-Transformer Vision Backbone [54.965143338206644]
視覚応用に適した新しいハイブリッド型Mamba-TransformerバックボーンMambaVisionを提案する。
最終層に自己アテンションブロックを付加したMambaアーキテクチャは,長距離空間依存性を捕捉する能力を大幅に向上することを示す。
ImageNet-1Kデータセットの分類において、MambaVisionの変種は、Top-1の精度とスループットの両方の観点から、最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-07-10T23:02:45Z) - MambaLRP: Explaining Selective State Space Sequence Models [18.133138020777295]
選択状態空間列モデル(マンバモデルと呼ばれる)を用いた最近のシーケンスモデリング手法は、関心が高まりつつある。
これらのモデルは、線形時間における長いシーケンスの効率的な処理を可能にし、言語モデリングのような広範囲のアプリケーションで急速に採用されている。
現実のシナリオにおける信頼性の高い利用を促進するためには、透明性を高めることが重要です。
論文 参考訳（メタデータ） (2024-06-11T12:15:47Z) - DualMamba: A Lightweight Spectral-Spatial Mamba-Convolution Network for Hyperspectral Image Classification [10.329381824237434]
本稿では,HSI分類のための軽量なデュアルストリームマンバ畳み込みネットワーク(DualMamba)を提案する。
具体的には,グローバルおよび局所スペクトル空間の特徴を抽出するために,並列軽量なMambaブロックとCNNブロックを開発した。
現状のHSI分類法と比較して、DualMambaが有意な分類精度を達成することを示す実験結果が得られた。
論文 参考訳（メタデータ） (2024-06-11T08:26:42Z) - Spectral-Spatial Mamba for Hyperspectral Image Classification [23.215920983979426]
スペクトル空間マンバ(SS-Mamba)は高スペクトル画像(HSI)分類に適用される。
提案されたSS-マンバは、主にスペクトル空間トークン生成モジュールと、いくつかの積層スペクトル空間マンバブロックから構成される。
広く利用されているHSIデータセットを用いた実験結果から,提案モデルが競合する結果が得られることが明らかになった。
論文 参考訳（メタデータ） (2024-04-29T03:36:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。