고분광 영상 HSI(Hyperspectral Image)는 지물 성분의 스펙트럼 특성을 포착할 수 있지만 3차원 정보가 부족하며, 라이다 LiDAR(Light Detection And Ranging)는 지물의 거리 및 고도 정보를 포착할 수 있다. 이 두 데이터 유형은 상호 보완하여 지물 인식 분류 정확도를 효과적으로 향상시킬 수 있다. Mamba 모델은 원격 특징 학습과 효율적인 연산의 장점을 가지지만, 현재 다중모달 원격 탐사 데이터 융합 분류에 관한 연구가 부족하며 다중 소스 특징 정보 손실 및 융합 미흡 등의 문제가 존재한다. 이에 본 논문에서는 Mamba 구조 기반의 고분광 및 LiDAR 데이터 적응 융합 협동 분류 네트워크를 제안한다. 본 네트워크는 매개변수 공유를 활용하여 다중 소스 특징 간 상호 학습을 촉진하는 Mamba 구조 기반의 쌍채널 협동 주의 모듈을 쌓을 수 있게 구성되었으며, 분류 작업에서 더 높은 분류 정확도와 향상된 일반화 능력을 구현한다. 실험 결과 본 논문 제안 알고리즘은 Trento, Houston2013 및 MUUFL 데이터셋에서 각각 99.33%, 91.74% 및 94.94%의 종합 정확도를 달성하여 다중 소스 특징을 더욱 효율적으로 추출 및 융합할 수 있음을 보였다.

원격 탐사 영상 분류; 협동 분류; 적응 융합; Mamba 구조; 매개변수 공유; 고분광 영상; LiDAR; 다중모달 데이터 융합