論文の概要: DMS2F-HAD: A Dual-branch Mamba-based Spatial-Spectral Fusion Network for Hyperspectral Anomaly Detection

• arxiv url: http://arxiv.org/abs/2602.04102v1
• Date: Wed, 04 Feb 2026 00:37:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.322443
• Title: DMS2F-HAD: A Dual-branch Mamba-based Spatial-Spectral Fusion Network for Hyperspectral Anomaly Detection
• Title（参考訳）: DMS2F-HAD:ハイパースペクトル異常検出のためのデュアルブランチマンバ型空間スペクトル核融合ネットワーク
• Authors: Aayushma Pant, Lakpa Tamang, Tsz-Kwan Lee, Sunil Aryal,
• Abstract要約: ハイパースペクトル異常検出(HAD)は,高次元ハイパースペクトル画像において,まれかつ不規則なターゲットを特定することを目的としている。 DMS2F-HADは,新しい2分岐マンバモデルである。 本アーキテクチャは,マンバの線形時間モデルを用いて,空間的特徴とスペクトル的特徴を効率よく学習する。
• 参考スコア（独自算出の注目度）: 2.9390578280177153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral anomaly detection (HAD) aims to identify rare and irregular targets in high-dimensional hyperspectral images (HSIs), which are often noisy and unlabelled data. Existing deep learning methods either fail to capture long-range spectral dependencies (e.g., convolutional neural networks) or suffer from high computational cost (e.g., Transformers). To address these challenges, we propose DMS2F-HAD, a novel dual-branch Mamba-based model. Our architecture utilizes Mamba's linear-time modeling to efficiently learn distinct spatial and spectral features in specialized branches, which are then integrated by a dynamic gated fusion mechanism to enhance anomaly localization. Across fourteen benchmark HSI datasets, our proposed DMS2F-HAD not only achieves a state-of-the-art average AUC of 98.78%, but also demonstrates superior efficiency with an inference speed 4.6 times faster than comparable deep learning methods. The results highlight DMS2FHAD's strong generalization and scalability, positioning it as a strong candidate for practical HAD applications.
• Abstract（参考訳）: ハイパースペクトル異常検出(HAD)は、高次元ハイパースペクトル画像(HSI)における希少かつ不規則なターゲットを特定することを目的としている。 既存のディープラーニング手法では、長距離のスペクトル依存(例えば畳み込みニューラルネットワーク)をキャプチャできないか、高い計算コスト(例えば、変換器)に悩まされている。 これらの課題に対処するため,新しいデュアルブランチ・マンバモデルであるDMS2F-HADを提案する。 本アーキテクチャでは,マンバの線形時間モデルを用いて,特殊分岐の空間的特徴とスペクトル的特徴を効率よく学習し,動的ゲート融合機構で積分して異常な局所化を促進させる。 14のベンチマークHSIデータセットを通して、提案したDMS2F-HADは最先端平均AUCの98.78%を達成するだけでなく、推論速度が同等のディープラーニング手法の4.6倍高速であることを示す。 結果は、DMS2FHADの強力な一般化とスケーラビリティを強調し、実用的なHADアプリケーションの強力な候補として位置づけている。

関連論文リスト

• Hyperspectral Mamba for Hyperspectral Object Tracking [56.365517163296936]
  Mamba (HyMamba) を用いた新しいハイパースペクトル物体追跡ネットワークを提案する。 状態空間モジュール(SSM)によるスペクトル、クロスディープス、時間モデリングを統一する。 HyMambaは、7つのベンチマークデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-10T03:47:43Z)
• Self-Learning Hyperspectral and Multispectral Image Fusion via Adaptive Residual Guided Subspace Diffusion Model [17.94165288907444]
  ハイパースペクトル・マルチスペクトル画像(HSI-MSI)融合は、高分解能ハイパースペクトル画像(LR-HSI)と高分解能マルチスペクトル画像(HR-MSI)を組み合わせて高分解能ハイパースペクトル画像(HR-HSI)を生成する。
  論文  参考訳（メタデータ） (2025-05-17T03:05:13Z)
• STNMamba: Mamba-based Spatial-Temporal Normality Learning for Video Anomaly Detection [48.997518615379995]
  ビデオ異常検出(VAD)は、インテリジェントなビデオシステムの可能性から広く研究されている。 CNNやトランスフォーマーをベースとした既存の手法の多くは、依然としてかなりの計算負荷に悩まされている。 空間的時間的正規性の学習を促進するために,STNMambaという軽量で効果的なネットワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T08:49:23Z)
• HTD-Mamba: Efficient Hyperspectral Target Detection with Pyramid State Space Model [5.505983410956103]
  ハイパースペクトルターゲット検出(HTD)は、ピクセルレベルの複雑な背景から興味のある対象を特定する。 本稿では, HTD-Mamba というピラミッド状態空間モデル (SSM) を用いた効率的な自己教師型 HTD 手法を提案する。 4つの公開データセットで行った実験により,提案手法は定量評価と定性評価の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-09T13:21:26Z)
• Dual Hyperspectral Mamba for Efficient Spectral Compressive Imaging [102.35787741640749]
  本稿では,グローバルな長距離依存関係と局所的コンテキストの両方を探索し,効率的なHSI再構成を実現するために,DHM(Dual Hyperspectral Mamba)を提案する。 具体的には、DHMは複数の双対超スペクトルS4ブロック(DHSB)から構成され、元のHSIを復元する。
  論文  参考訳（メタデータ） (2024-06-01T14:14:40Z)
• SpectralMamba: Efficient Mamba for Hyperspectral Image Classification [39.18999103115206]
  リカレントニューラルネットワークとトランスフォーマーは、ハイパースペクトル(HS)イメージングにおけるほとんどの応用を支配している。 我々は、HS画像分類のための効率的なディープラーニングフレームワークを組み込んだ新しい状態空間モデルであるSpectralMambaを提案する。 SpectralMambaは、パフォーマンスと効率の両面から、驚くほど有望な勝利を生み出している。
  論文  参考訳（メタデータ） (2024-04-12T14:12:03Z)
• MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection [53.03687787922032]
  長距離モデリングと線形効率の優れたマンバモデルが注目されている。 本研究は,マルチクラス非教師付き異常検出へのMambaADの適用の先駆者であり,MambaADを提示する。 提案したLSSモジュールは、並列カスケード(Hybrid State Space) HSSブロックとマルチカーネル畳み込み操作を統合し、長距離情報とローカル情報の両方を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-04-09T18:28:55Z)
• DMSSN: Distilled Mixed Spectral-Spatial Network for Hyperspectral Salient Object Detection [12.823338405434244]
  HSOD(Hyperspectral Salient Object Detection)は,様々な用途において有望である。 特徴抽出過程における高スペクトル画像の特徴的特性(HSI)は,従来は不十分であった。 我々は、MSST(Distilled Spectral-Spatial Transformer)を含むDMSSN(Distilled Mixed Spectral-Spatial Network)を提案する。 この分野でのデータ不足の問題に対処するため、大規模なHSODデータセットHSOD-BITを作成しました。
  論文  参考訳（メタデータ） (2024-03-31T14:04:57Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)

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。