Гиперспектральные изображения HSI (Hyperspectral Image) могут захватывать спектральные характеристики компонентов поверхности, но не содержат информации о трехмерной структуре, тогда как лидар LiDAR (Light Detection And Ranging) может получать данные о расстоянии и высоте объектов поверхности. Эти два типа данных дополняют друг друга и могут значительно повысить точность классификации. Модель Mamba обладает преимуществами обучения удаленным признакам и эффективных вычислений, однако в настоящее время исследований по многомодальному слиянию данных дистанционного зондирования с использованием этой модели недостаточно, имеются проблемы с потерей многоисточниковой информации и недостаточным слиянием. Исходя из этого, в данной работе предлагается адаптивная совместная классификационная сеть слияния гиперспектральных и LiDAR данных на основе структуры Mamba. Сеть включает в себя настраиваемый многослойный модуль совместного внимания с двумя каналами на базе структуры Mamba, использующий совместное использование параметров для стимулирования взаимного обучения между признаками из разных источников, что позволяет добиться более высокой точности классификации и лучшей обобщающей способности. Экспериментальные результаты показывают, что предложенный алгоритм достигает общей точности 99,33%, 91,74% и 94,94% на наборах данных Trento, Houston2013 и MUUFL соответственно, обеспечивая более эффективное извлечение и слияние многоисточниковых признаков.

Классификация данных дистанционного зондирования; совместная классификация; адаптивное слияние; структура Mamba; совместное использование параметров; гиперспектральные изображения; LiDAR; мультимодальное слияние данных