За последние несколько лет модели линейного разбора привлекли широкое внимание своей эффективностью (простота подсчетов, масштабируемость), ясным физическим смыслом и простотой обработки. Среди различных методов линейного разбора технология автоэнкодеров продемонстрировала значительные преимущества в способности подгонять данные и извлекать глубокие особенности. Однако существуют определенные ограничения для этого метода. Например, понижается способность модели к обобщению в процессе обработки данных из-за наличия шума в данных; сталкиваясь с многоаспектными особенностями, часто возникают некоторые избыточные проблемы; для обеспечения линейной вычислительной сложности при сохранении длительной зависимости требуется глубокое понимание пространственных и спектральных характеристик. Чтобы решить вышеперечисленные проблемы, в данной статье предложена само-внимательная модель для обработки высокоспектральных изображений; в то же время предложена новая модель высокоспектральных изображений на основе модели Мамба, конкретно, мы разработали пространственный блок Мамба для извлечения пространственных особенностей; стороной спектр, предложен блок спектра Мамба, разделить спектральный вектор на несколько групп, изучить отношения между различными спектральными группами и извлечь спектральные особенности. Объединив эти три блока во многосегментной сверточной сети автоэнкодера, образовали многоступенчатую мамба-модель внимания в решении линейного разбора (PSAMN, Многоступенчатая мамба модель внимания для решения разбора), сравнивая PSAMN с синтетическим набором высокоспектральных данных и реальным набором высокоспектральных данных, выявлено, что предложенная разборная модель более эффективна и конкурентоспособна по сравнению с существующими алгоритмами.

высокоспектральный разбор; глубокое обучение; модуль само-внимания; блок Мамба