Au cours des dernières années, les modèles de démixage linéaire ont suscité un large intérêt en raison de leur efficacité (calcul simple, extensibilité), de leur signification physique claire et de leur facilité de traitement. Parmi les diverses méthodes de démixage linéaire, la technologie des autoencodeurs a montré des avantages significatifs en termes de capacité à ajuster les données et d'extraction de caractéristiques profondes. Cependant, cette méthode présente également certaines limitations. Par exemple, la capacité du modèle à la généralisation diminue du fait du bruit dans les données; face à des caractéristiques multi-échelle, il y a souvent des problèmes redondants; pour assurer une complexité de calcul linéaire tout en conservant une dépendance longue distance, nous avons besoin d'une compréhension approfondie des caractéristiques spatiales et spectrales. Pour résoudre les problèmes ci-dessus, ce document propose un module d'auto-attention pour le traitement des images hyperspectrales; en même temps, il propose un nouveau modèle d'image hyperspectrale basé sur le modèle Mamba, plus spécifiquement, nous avons conçu un bloc spatial Mamba pour extraire des caractéristiques spatiales; du côté du spectre, un bloc de spectre Mamba est proposé, divisant le vecteur spectral en plusieurs groupes, explorant les relations entre différents groupes spectraux et extrayant des caractéristiques spectrales. En intégrant ces trois blocs dans un réseau d'autoencodeurs à convolutions multi-étapes, une structure de démixage d'attention Mamba à plusieurs étapes (PSAMN, Phase-wise Mamba Attention Unmixing Framework) a été formée, en comparant PSAMN avec un ensemble de données hyperspectrales synthétiques et un ensemble de données hyperspectrales réelles, il est apparu que le cadre de démixage proposé est plus efficace et compétitif que les algorithmes existants.

démixage hyperspectral; apprentissage en profondeur; module d'auto-attention; bloc Mamba