論文の概要: Token Clustering and Semantic Sequence Mamba for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2609.28580v1
• Date: Wed, 23 Sep 2026 18:32:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.41964
• Title: Token Clustering and Semantic Sequence Mamba for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のためのToken ClusteringとSemantic Sequence Mamba
• Abstract要約: ハイパースペクトル画像分類のためのToken Clustering and Semantic Sequence Mamba (STMamba)を提案する。 STMambaは、スパーストークンをハイパースペクトル画像分類のためのセマンティックコヒーレントシーケンスに整理する。 3つの大規模ベンチマークデータセットの実験結果は、STMambaがSOTA法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 1.9344972533742428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although hyperspectral images (HSIs) provide rich spectral-spatial information, accurate pixel-level classification remains challenging because of spectral-spatial heterogeneity and complex spatial structures. Existing vision state space models (Mamba) typically construct sequences according to predefined spatial neighborhoods, without explicitly accounting for semantic similarity or spatial non-stationarity. To address this limitation, we propose Token Clustering and Semantic Sequence Mamba (STMamba), which organizes sparse tokens into semantically coherent sequences for hyperspectral image classification with the following features. First, at the macro level, a hierarchical encoder decoder progressively selects semantic tokens with the Token Clustering Module (TCM) and restores dense features using a parameter-free Cross-scale Neighborhood Attention (CNA) Upsampler. Second, at the micro level, TCM first identifies representative cluster centers through density-aware clustering and estimates soft memberships based on feature similarity. A quadtree-based dynamic selection strategy then retains sparse and spatially distributed tokens from each semantic cluster, forming coherent semantic-token sequences while reducing redundant pixel-wise representations. Third, parallel Spatial and Spectral Semantic-wise Sequencing Mamba (SWSM) modules capture complementary long-range spatial and spectral dependencies within homogeneous semantic token sequences while suppressing irrelevant interactions across heterogeneous regions. Experimental results on three large-scale benchmark datasets demonstrate that STMamba outperforms the SOTA methods with respect to quantitative and qualitative results.
• Abstract（参考訳）: 超スペクトル画像(HSI)はスペクトル空間情報を豊富に提供するが、スペクトル空間の不均一性や複雑な空間構造のため、正確なピクセルレベルの分類は困難である。 既存の視覚状態空間モデル(Mamba)は、通常、意味的類似性や空間的非定常性を明示的に考慮することなく、予め定義された空間近傍に従ってシーケンスを構成する。 この制限に対処するために,スパーストークンを意味的に一貫性のあるシーケンスに整理したToken Clustering and Semantic Sequence Mamba (STMamba)を提案する。 まず、マクロレベルでは、階層エンコーダデコーダが、Token Clustering Module (TCM)で順次セマンティックトークンを選択し、パラメータフリーなクロススケール近傍注意 (CNA) Upsamplerを使って、密集した機能を復元する。 第二に、マイクロレベルでは、TCMはまず密度認識クラスタリングを通じて代表クラスタセンターを特定し、特徴の類似性に基づいてソフトメンバーシップを推定する。 クワッドツリーに基づく動的選択戦略は、各セマンティッククラスタからスパースおよび空間的に分散されたトークンを保持し、コヒーレントなセマンティックトケンシーケンスを形成し、冗長なピクセルワイズ表現を低減させる。 第3に、平行な空間的およびスペクトル的セマンティックなSequencing Mamba (SWSM) モジュールは、異種領域における非関連相互作用を抑えながら、同種意味トークン配列内の相補的な長距離空間およびスペクトルの依存関係をキャプチャする。 3つの大規模ベンチマークデータセットによる実験結果から、STMambaは定量的および定性的な結果に対してSOTA法よりも優れていることが示された。

関連論文リスト

• scLLM-DSC: LLM-Knowledge Enhanced Cross-Modal Deep Structural Clustering for Single-Cell RNA Sequencing [25.2740961337968]
  クラスタリングはscRNA-seq解析の基礎であり、細胞集団の同定と組織の不均一性の解消の基礎となる。 既存の方法は、遺伝子によってコードされる固有の生物学的機能を無視して意味論に苦しむ、数値的な統計パターンのマイニングに重点を置いている。 我々は,新しいLLM-Knowledge Enhanced Cross-Modal Deep Structure Clusteringフレームワークである scLLM-DSC を提案する。
  論文  参考訳（メタデータ） (2026-06-11T07:42:43Z)
• Hyperspectral Image Classification via Efficient Global Spectral Supertoken Clustering [27.81669681803444]
  ハイパースペクトル画像分類は空間的コヒーレントな予測と正確な境界線を求める。 クラスタリングは類似のピクセルを領域に集約するが、その後のピクセルはピクセル単位で動作し、領域の一貫性を損なう。 本稿では,類似の画素をスペクトルスーパートークンに分類することで,クラスタリングを分類から明確に分離するDual-Constrained Clusteringを提案する。
  論文  参考訳（メタデータ） (2026-04-30T03:20:37Z)
• Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification [2.1741810474011047]
  本文は、HSI分類を改善するために、クラスタリングトークンを備えた新規な混合誘導型空間分光マンバを提示する。 パターン発見を改善するために,HSIのスペクトル混合効果を阻害するために,新しいスペクトル混合ネットワークを設計する。 本研究では,多元写像で定義されたクラスタに基づいて,マンバトークン列を生成するため,効率的なTop-textitKトークン選択戦略を設計する。 第3に、Top-textitKトークンシーケンスに基づいて、空間スペクトルの特徴学習と詳細保存を改善するために、新しい未混合誘導空間スペクトルマンバモジュールを設計する。
  論文  参考訳（メタデータ） (2026-04-10T22:56:49Z)
• Self-Enhanced Image Clustering with Cross-Modal Semantic Consistency [57.961869351897384]
  効率的な画像クラスタリングのためのクロスモーダルなセマンティック一貫性に基づくフレームワークを提案する。 当社のフレームワークはまず,クロスモーダルセマンティック一貫性を通じて,強力な基盤を構築します。 最初の段階では、トレーニング済みモデルのリッチなセマンティクスに合わせて、軽量クラスタリングヘッドをトレーニングします。 第2段階では、自己強化微調整戦略を導入する。
  論文  参考訳（メタデータ） (2025-08-02T08:12:57Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• IGroupSS-Mamba: Interval Group Spatial-Spectral Mamba for Hyperspectral Image Classification [13.534632557010005]
  本稿では,HSI分類のための軽量なインターバル群空間スペクトルマンバフレームワーク(IGroupSS-Mamba)について検討する。 IGroupSS-Mambaは、グループ化と階層化により、多方向及びマルチスケールの空間スペクトル情報抽出を可能にする。 実験により、IGroupSS-Mambaは最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-07T14:55:50Z)
• Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens [57.37893387775829]
  我々はSemantic Equitable Clustering(SEC)という,高速かつバランスの取れたクラスタリング手法を導入する。 SECは、グローバルなセマンティックな関連性に基づいてトークンを効率的かつ直接的な方法でクラスタ化する。 視覚言語コネクタとして機能する汎用視覚バックボーンであるSECViTを提案する。
  論文  参考訳（メタデータ） (2024-05-22T04:49:00Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent [46.86939432189035]
  階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。 提案手法は最先端技術より一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-11T03:29:13Z)
• Multiscale Clustering of Hyperspectral Images Through Spectral-Spatial Diffusion Geometry [9.619814126465206]
  クラスタリングアルゴリズムはデータセットを類似点のグループに分割する。 本論文の主な貢献は,マルチスケール空間規則化拡散学習(M-SRDL)クラスタリングアルゴリズムである。 マルチスケールクラスタリングフレームワークに空間正規化を組み込むことは、hsiデータに適用するとより滑らかでより一貫性のあるクラスタに対応できることを示す。
  論文  参考訳（メタデータ） (2021-03-29T17:24:28Z)

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。