Линейная модель смешивания привлекает большое внимание благодаря своей эффективности (простой вычислительный процесс, масштабируемость), явному физическому смыслу и легкости обработки. Среди различных методов линейного смешивания, техника автокодирования показывает значительные преимущества в способности подгонки данных и глубинном извлечении признаков. Однако этот метод имеет некоторые ограничения. Например, наличие шума во входных данных снижает способность модели к обобщению в процессе обработки; при работе с многошкальными признаками часто возникает проблема избыточности; для того, чтобы при сохранении длинной зависимости обеспечить линейную вычислительную сложность, требуется глубокое понимание пространственных и спектральных характеристик. В связи с этим в данной работе предложен модуль самовнимания для шумоподавления гиперспектральных изображений, а также новая модель гиперспектральных изображений на базе модели Mamba. Сначала был разработан пространственный блок Mamba для извлечения пространственных признаков; затем в спектральной области предложен спектральный блок Mamba; наконец, спектральные векторы были разделены на несколько групп для выявления связей между различными спектральными группами и извлечения спектральных признаков. Эти три модуля были интегрированы в многоступенчатую сверточную автокодировочную сеть, сформировав многоступенчатую рамочную модель внимания Mamba PSAMN (Phase-wise Mamba Attention Unmixing Framework). Проведены сравнительные эксперименты над синтетическими и реальными гиперспектральными датасетами. Результаты показали, что предложенная модель смешивания превосходит существующие алгоритмы по эффективности и конкурентоспособности.

Гиперспектральное разделение;Глубокое обучение;Модель Mamba;Модуль самовнимания;Блок Mamba