GraphMamba：用于高光谱图像分类的图token化工具

《IEEE Transactions on Emerging Topics in Computing》：GraphMamba: Graph Tokenization Mamba for Hyperspectral Image Classification

　　高光谱图像分类在环境监测等领域至关重要，传统方法难以捕捉复杂谱空特征。本文提出GraphMamba混合模型，融合谱空令牌生成、图结构优先级和跨注意力机制，创新性地结合状态空间建模与GRU，有效建模空谱动态并提升计算效率。实验验证其显著优于现有SOTA模型，为复杂HSI分类提供可扩展方案。

　　

摘要：

高光谱图像（HSI）分类在环境监测、农业和城市规划等领域发挥着关键作用。传统方法，包括传统的机器学习和卷积神经网络（CNN），往往难以有效捕捉复杂的光谱-空间特征和全局上下文信息。基于Transformer的模型在捕捉长距离依赖关系方面表现出色，但通常需要大量的计算资源，这在标记数据集有限的场景中（如HSI应用）会带来挑战。为了解决这些问题，本文提出了GraphMamba，这是一种混合模型，它结合了光谱-空间令牌生成、基于图的令牌优先级分配和交叉注意力机制。该模型引入了状态空间建模与门控循环单元（GRU）的创新结合，能够捕捉线性和非线性的空间-光谱动态。这种方法在保持可扩展性和计算效率的同时，增强了对复杂空间-光谱关系的建模能力。通过全面的实验，我们证明了GraphMamba的性能优于现有的最先进模型，为复杂的HSI分类任务提供了一种可扩展且稳健的解决方案。