論文の概要: Physics-Aligned Spectral Mamba: Decoupling Semantics and Dynamics for Few-Shot Hyperspectral Target Detection

• arxiv url: http://arxiv.org/abs/2604.05562v1
• Date: Tue, 07 Apr 2026 08:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.70939
• Title: Physics-Aligned Spectral Mamba: Decoupling Semantics and Dynamics for Few-Shot Hyperspectral Target Detection
• Title（参考訳）: 物理配向分光マンバ:Few-Shot Hyperspectral Target Detectionのためのセマンティックスとダイナミクスの分離
• Authors: Luqi Gong, Qixin Xie, Yue Chen, Ziqiang Chen, Fanda Fan, Shuai Zhao, Chao Li,
• Abstract要約: SpecMambaは、安定したセマンティック表現とアジャイルのスペクトル適応を分離するフレームワークである。 検出精度とクロスドメインの一般化において、最先端の手法を一貫して上回る。
• 参考スコア（独自算出の注目度）: 14.607792636586067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Meta-learning facilitates few-shot hyperspectral target detection (HTD), but adapting deep backbones remains challenging. Full-parameter fine-tuning is inefficient and prone to overfitting, and existing methods largely ignore the frequency-domain structure and spectral band continuity of hyperspectral data, limiting spectral adaptation and cross-domain generalization.To address these challenges, we propose SpecMamba, a parameter-efficient and frequency-aware framework that decouples stable semantic representation from agile spectral adaptation. Specifically, we introduce a Discrete Cosine Transform Mamba Adapter (DCTMA) on top of frozen Transformer representations. By projecting spectral features into the frequency domain via DCT and leveraging Mamba's linear-complexity state-space recursion, DCTMA explicitly captures global spectral dependencies and band continuity while avoiding the redundancy of full fine-tuning. Furthermore, to address prototype drift caused by limited sample sizes, we design a Prior-Guided Tri-Encoder (PGTE) that allows laboratory spectral priors to guide the optimization of the learnable adapter without disrupting the stable semantic feature space. Finally, a Self-Supervised Pseudo-Label Mapping (SSPLM) strategy is developed for test-time adaptation, enabling efficient decision boundary refinement through uncertainty-aware sampling and dual-path consistency constraints. Extensive experiments on multiple public datasets demonstrate that SpecMamba consistently outperforms state-of-the-art methods in detection accuracy and cross-domain generalization.
• Abstract（参考訳）: メタラーニングは、数発のハイパースペクトルターゲット検出(HTD)を促進するが、深い背骨の適応は依然として困難である。 スペクトル適応とクロスドメインの一般化を制限し,高スペクトルデータの周波数領域構造とスペクトル帯域の連続性をほとんど無視し,これらの課題に対処するため,パラメータ効率と周波数認識を両立するフレームワークであるSpecMambaを提案する。 具体的には、凍結したトランスフォーマー表現の上に離散コサイン変換マンバアダプタ(DCTMA)を導入する。 DCTを介してスペクトル特徴を周波数領域に投影し、Mambaの線形複雑状態空間再帰を利用して、DCTMAは完全な微調整の冗長性を避けながら、グローバルなスペクトル依存性と帯域連続性を明示的にキャプチャする。 さらに,サンプルサイズの制限によるプロトタイプドリフトに対処するため,実験室のスペクトル前処理により,安定なセマンティック特徴空間を乱すことなく,学習可能なアダプタの最適化を導出できるプリミティブガイドトリエンコーダ(PGTE)を設計した。 最後に、テスト時間適応のための自己監督型擬似ラベルマッピング(SSPLM)戦略を開発し、不確実性を考慮したサンプリングとデュアルパス整合性制約による効率的な決定境界の洗練を可能にする。 複数の公開データセットに対する大規模な実験により、SpecMambaは検出精度とクロスドメインの一般化において最先端の手法を一貫して上回っていることが示された。

関連論文リスト

• Spectral Property-Driven Data Augmentation for Hyperspectral Single-Source Domain Generalization [13.335941336922446]
  ハイパースペクトル画像は、分類のための豊富な情報を提供する多くのスペクトルチャネルの恩恵を受ける。 次元の増大とセンサーの変動により、ドメイン間の分布の差異に敏感になる。 本研究では, スペクトル特性駆動型データ拡張法(SPDDA)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:30:28Z)
• SONIC: Spectral Oriented Neural Invariant Convolutions [0.0]
  畳み込みニューラルネットワーク(CNN)は、ローカルパッチをスキャンする固定サイズのカーネルに依存している。 ViTはグローバル接続を提供するが、空間的帰納バイアスがなく、明示的な位置エンコーディングに依存し、初期パッチサイズに結びついている。 本稿では,共振子演算子を,一組の共振子選択成分を用いてモデル化する連続スペクトルパラメータ化SONICを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T18:51:11Z)
• Cross-Domain Transfer with Self-Supervised Spectral-Spatial Modeling for Hyperspectral Image Classification [5.784164305429653]
  本稿では,自己管理型クロスドメイン転送フレームワークを提案する。 ソースラベルなしで伝送可能なスペクトル-空間結合表現を学習する。 実験結果は、安定した分類性能と強いクロスドメイン適応性を示す。
  論文  参考訳（メタデータ） (2026-01-26T02:52:35Z)
• WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
  本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。 高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。 標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
  論文  参考訳（メタデータ） (2025-10-24T01:41:31Z)
• SDTN and TRN: Adaptive Spectral-Spatial Feature Extraction for Hyperspectral Image Classification [1.2871580250533408]
  ハイパースペクトル画像分類は、精密農業において重要な役割を担い、作物の健康モニタリング、病気の検出、土壌分析に関する正確な洞察を提供する。 従来の手法は高次元データ、スペクトル空間の冗長性、ラベル付きサンプルの不足に悩まされ、しばしば準最適性能に繋がる。 これらの課題に対処するために,テンソル分解と正規化機構を組み合わせた自己適応正規化ネットワーク(SDTN)を提案し,テンソルランクを動的に調整する。 このアプローチは、高い分類精度を維持するだけでなく、計算の複雑さを大幅に減らし、リソース制約のある環境でのリアルタイムデプロイメントに非常に適している。
  論文  参考訳（メタデータ） (2025-07-13T04:53:33Z)
• Continual Adaptation: Environment-Conditional Parameter Generation for Object Detection in Dynamic Scenarios [54.58186816693791]
  環境は時間と空間によって常に変化し、クローズドセットの仮定に基づいて訓練された物体検出器にとって重要な課題となる。 そこで本研究では,微調整過程をパラメータ生成に変換する機構を提案する。 特に,2経路LoRAベースのドメイン認識アダプタを最初に設計し,特徴をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-06-30T17:14:12Z)
• Evidential Deep Learning with Spectral-Spatial Uncertainty Disentanglement for Open-Set Hyperspectral Domain Generalization [5.770351255180493]
  ハイパースペクトル画像分類のための新しいオープンセット領域一般化フレームワークを提案する。 このフレームワークは、SIFD(Spectrum-Invariant Frequency Disentanglement)、DCRN(Dual-Channel Residual Network)、EDL(Evidential Deep Learning)、SSUD(Spectral-Spatial Uncertainty Disentanglement)の4つの重要なコンポーネントを組み合わせている。 実験結果から,本手法は最先端のドメイン適応手法に匹敵する性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-06-11T07:07:14Z)
• AuxDet: Auxiliary Metadata Matters for Omni-Domain Infrared Small Target Detection [49.81255045696323]
  補助メタデータ駆動型赤外小型ターゲット検出器(AuxDet)について述べる。 AuxDetはメタデータセマンティクスと視覚的特徴を統合し、各サンプルに対する適応表現学習を導く。 挑戦的なWideIRSTD-Fullベンチマークの実験は、AuxDetが一貫して最先端のメソッドより優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-21T07:02:05Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)

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。