論文の概要: Direction-adaptive Mamba: Spatial-Frequency Dual-Domain Collaborative Learning for PolSAR Image Classification
- arxiv url: http://arxiv.org/abs/2607.23464v1
- Date: Sun, 26 Jul 2026 05:17:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.109171
- Title: Direction-adaptive Mamba: Spatial-Frequency Dual-Domain Collaborative Learning for PolSAR Image Classification
- Title（参考訳）: 方向適応型マンバ: PolSAR画像分類のための空間周波数デュアルドメイン協調学習
- Authors: Junfei Shi, Yu Cheng, Haojia Zhang, Wenqiang Hua, Junhuai Li, Maoguo Gong,
- Abstract要約: 深層学習は偏光合成開口レーダ(PolSAR)の画像分類を支配している。
マンバアーキテクチャは、線形複雑性と強力なグローバルモデリング能力のために、好ましいバックボーンとして機能する。
DA-MambaはPolSAR分類のための双方向協調学習を備えた指向適応型Mambaフレームワークである。
- 参考スコア（独自算出の注目度）: 36.750686260055424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning dominates polarimetric synthetic aperture radar (PolSAR) image classification, with Mamba architectures serving as favorable backbones due to linear complexity and strong global modeling capacity. However, existing PolSAR Mamba methods have two critical flaws: pure spatial processing discards fine-grained edges and textures, and fixed scanning patterns fail to model direction-variant anisotropic scattering and weak boundaries essential for PolSAR physical analysis. This work proposes DA-Mamba, a direction-adaptive Mamba framework with dual-domain collaborative learning for PolSAR classification. Equipped with an edge-aligned direction-adaptive scanning scheme, DA-Mamba captures long-range spatial dependencies and accurate boundary details. It adopts the Non-Subsampled Contourlet Transform (NSCT) to separate PolSAR data into low-frequency global components and multi-directional high-frequency subbands, extracting anisotropic structural features from high-frequency information while preserving global context via low-frequency branches. A dual-domain collaborative learning module further integrates spatial scattering and frequency-domain representations to strengthen feature discriminability. Evaluated on three real-world PolSAR datasets, DA-Mamba surpasses state-of-the-art methods, verifying the efficacy of the proposed adaptive scanning and dual-domain fusion designs. Code will be publicly available.
- Abstract（参考訳）: 深層学習は偏光合成開口レーダ(PolSAR)の画像分類を支配しており、Mambaアーキテクチャは線形複雑性と強力なグローバルモデリング能力のために有利なバックボーンとして機能している。
しかし、既存のPolSAR Mamba法には2つの重大な欠陥がある: 純空間処理はきめ細かなエッジとテクスチャを捨て、固定走査パターンは、PolSAR物理解析に不可欠な方向変化異方性散乱と弱い境界のモデル化に失敗する。
DA-MambaはPolSAR分類のための双方向協調学習を備えた指向適応型Mambaフレームワークである。
DA-Mambaは、エッジ整列方向適応走査方式により、長距離空間依存性と正確な境界の詳細をキャプチャする。
NSCT(Non-Subsampled Contourlet Transform)を用いて、PolSARデータを低周波のグローバル成分と多方向の高周波サブバンドに分離し、低周波の分岐を通してグローバルコンテキストを保存するとともに、高周波情報から異方性構造特徴を抽出する。
二重ドメイン協調学習モジュールは、空間散乱と周波数領域表現を統合して特徴識別性を強化する。
DA-Mambaは実世界の3つのPolSARデータセットから評価され、最先端の手法を超越し、提案した適応走査と二重ドメイン融合設計の有効性を検証する。
コードは公開されます。
関連論文リスト
- WGDnet: Wishart-guided Geometric-aware Deep Network for PolSAR Image Classification [19.620751108472216]
We propose WGDNet, a Wishart-guided geometry-aware deep network。
学習可能なウィッシュアート畳み込みと、多スケールの統計的エッジ特徴抽出のための方向性カーネルとの畳み込み、(2)方向のウィッシュアート出力を適応的に洗練するために支配的な局所方向と信頼を推定する方向優先アグリゲーションモジュール、(3)スケール指向適応型幾何認識畳み込みで、サンプリンググリッドを動的に再現し、異方性地形をモデル化し、細部を詳細に保持するGAnetという3つのコア設計を統合している。
4つの実PollSARデータセットによる評価により、WGDNetは分類精度と境界における既存の最先端アプローチを超えている。
論文 参考訳（メタデータ） (2026-07-26T13:04:02Z) - MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。
MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。
HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
論文 参考訳（メタデータ） (2026-06-22T10:14:06Z) - MambaDSF: Multi-Scale SSM with Dilated Feature Fusion for Sonar Small Target Detection [8.504127970224703]
小さいターゲットは、画素のカバー不足、音響コントラストの低さ、画像範囲のあいまいさのため、検出が難しいままである。
この手紙は、これらの制限に対処するハイブリッドフレームワークであるMamba Dilated-Scale Fusion (MambaDSF)を提案する。
MambaDSFはUATDの前向きソナーのベンチマークで91.5%のmAP50を達成し、28.7百万のパラメータを持つ。
論文 参考訳（メタデータ） (2026-05-24T08:14:19Z) - OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。
パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
論文 参考訳（メタデータ） (2026-05-13T17:42:20Z) - Exploring Non-Local Spatial-Angular Correlations with a Hybrid Mamba-Transformer Framework for Light Field Super-Resolution [68.54692184478462]
マンバ法は光画像超解像の計算コストと性能を最適化する大きな可能性を示している。
本稿では,より効率的かつ正確な特徴抽出を実現するために,Subspace Simple Mamba Block (SSMB) を設計したSubspace Simple Scanning (Sub-SS) 戦略を提案する。
また,空間角・異質情報の保存における状態空間の制限に対処する二段階モデリング手法を提案する。
論文 参考訳（メタデータ） (2025-09-05T05:50:38Z) - Knowledge-guided Complex Diffusion Model for PolSAR Image Classification in Contourlet Domain [58.46450049579116]
本稿では,Contourlet領域におけるPolSAR画像分類のための知識誘導複合拡散モデルを提案する。
具体的には、まずデータを低周波サブバンドと高周波サブバンドに分解するためにContourlet変換を適用する。
次に、低周波成分の統計特性をモデル化するために、知識誘導複合拡散ネットワークを設計する。
論文 参考訳（メタデータ） (2025-07-08T04:50:28Z) - Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data [3.1951121258423334]
我々は、ソースドメインインスタンスを対応するプロトタイプに近づけるために、インスタンス-プロトタイプアライメント(AIPA)戦略を開発する。
また、ソースドメインインスタンスを対応するプロトタイプに近づけるための、インスタンス-プロトタイプアライメント(AIPA)戦略も開発しています。
論文 参考訳（メタデータ） (2024-11-07T13:53:13Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z)
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。