論文の概要: MSCM-net: A hyperspectral image classiffcation method based on multi-scale convolution and Mamba

• arxiv url: http://arxiv.org/abs/2607.28277v1
• Date: Thu, 30 Jul 2026 14:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.607669
• Title: MSCM-net: A hyperspectral image classiffcation method based on multi-scale convolution and Mamba
• Title（参考訳）: MSCM-net:マルチスケール畳み込みとマンバに基づくハイパースペクトル画像分類法
• Abstract要約: 本稿では,革新的なハイパースペクトル画像分類モデルMSCM-netを提案する。 マルチスケールCNNとMambaを組み合わせたモデルアーキテクチャで構成されている。 計算複雑性を低減しつつ、高度な分類性能を実現することができる。
• 参考スコア（独自算出の注目度）: 10.40281964904095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperspectral imaging is widely used in remote sensing and engineering. Therefore, research on its classification methods is crucial. While CNN and Transformer-based methods have advanced, they still face locality constraints and high computational complexity. To address these issues, we propose an innovative hyperspectral image classification model, MSCM-net. Specifically, first of all, a model architecture combining multi-scale CNN and Mamba is proposed. It consists of a multi-scale feature extraction module (MCSE) and multiple stacked Mamba blocks, which integrates the local feature extraction capability of multi-scale CNN and the long sequence modeling advantage of Mamba. Secondly, the proposed MCSE module consists of multi-scale convolution and SENet. Convolution kernels of different scales extract local information with different receptive fields, enhancing the fusion of spatial and spectral information. Meanwhile, the SENet enables the model to automatically learn the importance of each channel in the multi-scale features. Furthermore, we also propose a dual-branch feature aggregation module, which further effectively extracts and integrates the spectral information contained in the central pixel and the spatial information in the surrounding pixels. Our model has undergone numerous experiments on three widely used benchmark datasets. The experimental results show that MSCM-net can achieve advanced classification performance while reducing computational complexity.
• Abstract（参考訳）: ハイパースペクトルイメージングはリモートセンシングや工学で広く用いられている。 そのため、その分類方法の研究が重要である。 CNNとTransformerベースの手法は進歩しているが、依然として局所性制約と高い計算複雑性に直面している。 これらの課題に対処するため、我々は革新的なハイパースペクトル画像分類モデルMSCM-netを提案する。 具体的には,マルチスケールCNNとMambaを組み合わせたモデルアーキテクチャを提案する。 マルチスケール特徴抽出モジュール(MCSE)とマルチスタックのMambaブロックで構成されており、マルチスケールCNNの局所特徴抽出機能とMambaのロングシーケンスモデリング機能を統合している。 第2に、MCSEモジュールはマルチスケールの畳み込みとSENetで構成されている。 異なるスケールの畳み込みカーネルは、異なる受容場を持つ局所情報を抽出し、空間情報とスペクトル情報の融合を強化する。 一方、SENetは、マルチスケール機能における各チャネルの重要性を自動的に学習することを可能にする。 さらに,中心画素に含まれるスペクトル情報と周辺画素の空間情報を効果的に抽出し,統合するデュアルブランチ特徴集約モジュールを提案する。 我々のモデルは、広く使用されている3つのベンチマークデータセットに対して、数多くの実験を行った。 実験の結果,MSCM-netは計算複雑性を低減しつつ,高度な分類性能を実現することができた。

関連論文リスト

• Cross-Modality Feature Fusion Based on Structured State Space Duality for Multimodal Image Registration Network [11.534883621399546]
  本稿では,RegNetMamba-2という,マルチモーダル画像登録のための新しいアルゴリズムを提案する。 本アルゴリズムでは, 局所的・大域的構造的特徴を効果的に抽出するために, 構造化状態空間双対(SSD)を粗大かつ微細なマッチングプロセスに組み込む。
  論文  参考訳（メタデータ） (2026-06-02T08:50:15Z)
• CSFMamba: Cross State Fusion Mamba Operator for Multimodal Remote Sensing Image Classification [12.959829835589453]
  我々はCross State Fusion Mamba (Camba) Networkを提案する。 具体的には、まず、マンバ構造のニーズに応じて、リモートセンシング画像情報の事前処理モジュールを設計する。 第二に、Mamba演算子に基づくクロスステートモジュールは、2つのモードの特徴を完全に融合するように創造的に設計されている。
  論文  参考訳（メタデータ） (2025-08-31T03:08:34Z)
• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• MSLAU-Net: A Hybird CNN-Transformer Network for Medical Image Segmentation [7.826754189244901]
  CNNベースの手法とトランスフォーマーベースの手法の両方が、医用画像分割タスクにおいて顕著な成功を収めている。 両パラダイムの長所を統合した新しいハイブリッドCNN-Transformerアーキテクチャ MSLAU-Netを提案する。 提案したMSLAU-Netには,2つの重要なアイデアが組み込まれている。まず,医療画像からマルチスケール特徴を効率的に抽出する,マルチスケール線形注意(multi-Scale Linear Attention)が導入されている。 第二に、マルチレベル特徴集約を行い、空間分解能を復元するトップダウン特徴集約機構を採用する。
  論文  参考訳（メタデータ） (2025-05-24T18:48:29Z)
• An Efficient and Mixed Heterogeneous Model for Image Restoration [71.85124734060665]
  現在の主流のアプローチは、CNN、Transformers、Mambasの3つのアーキテクチャパラダイムに基づいている。 混合構造融合に基づく効率的で汎用的なIRモデルであるRestorMixerを提案する。
  論文  参考訳（メタデータ） (2025-04-15T08:19:12Z)
• MSVM-UNet: Multi-Scale Vision Mamba UNet for Medical Image Segmentation [3.64388407705261]
  医用画像分割のためのマルチスケールビジョンマンバUNetモデルMSVM-UNetを提案する。 具体的には、VSSブロックにマルチスケールの畳み込みを導入することで、VMambaエンコーダの階層的特徴から、より効果的にマルチスケールの特徴表現をキャプチャし、集約することができる。
  論文  参考訳（メタデータ） (2024-08-25T06:20:28Z)
• SENetV2: Aggregated dense layer for channelwise and global representations [0.0]
  我々は,Squeeze残余モジュール内に,多分岐密度層である新しい多層パーセプトロンを導入する。 この融合により、チャネルワイドパターンを捕捉し、グローバルな知識を持つネットワークの能力が向上する。 ベンチマークデータセットの広範な実験を行い、モデルを検証し、確立したアーキテクチャと比較する。
  論文  参考訳（メタデータ） (2023-11-17T14:10:57Z)
• Polyp-PVT: Polyp Segmentation with Pyramid Vision Transformers [124.01928050651466]
  本稿では,Polyp-PVTと呼ばれる新しいタイプのPolypセグメンテーション手法を提案する。 提案モデルであるPolyp-PVTは,特徴の雑音を効果的に抑制し,その表現能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-08-16T07:09:06Z)

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。