Линейные модели разложения привлекают широкое внимание благодаря своей эффективности (простоте вычислений, масштабируемости), ясному физическому смыслу и удобству обработки. Среди различных линейных методов разложения, техника разложения с использованием автокодеров демонстрирует значительные преимущества в способности аппроксимировать данные и извлекать глубокие признаки. Однако у этого метода есть и ограничения. Например, шум в входных данных снижает обобщающую способность модели в процессе обработки; при работе с многоуровневыми признаками часто возникают избыточные проблемы; для обеспечения линейной вычислительной сложности при сохранении долгосрочных зависимостей требуется глубокое понимание пространственных и спектральных характеристик. В этой связи в статье предлагается модуль самовнимания для шумоподавления гиперспектральных изображений, а также новая модель гиперспектральных изображений на основе модели Mamba. Сначала разработан пространственный блок Mamba для извлечения пространственных признаков; затем с точки зрения спектра предложен спектральный блок Mamba; наконец, спектральный вектор разделён на несколько групп для выявления взаимосвязей между разными спектральными группами и извлечения спектральных признаков. Эти три модуля интегрированы в многоступенчатую сверточную сеть автокодера, формируя многоступенчатую модель разложения с вниманием Mamba (PSAMN). Проведены сравнительные эксперименты модели PSAMN на синтетических и реальных гиперспектральных наборах данных. Результаты экспериментов показывают, что предложенная модель разложения более эффективна и конкурентоспособна по сравнению с существующими алгоритмами.

гиперспектральное разложение;глубокое обучение;модель Mamba;модуль самовнимания;блок Mamba