Линейные модели разложения вызывают широкий интерес благодаря своей эффективности (простота вычислений, масштабируемость), ясному физическому смыслу и легкости обработки. Среди различных методов линейного разложения техники разложения с использованием автоэнкодеров демонстрируют заметные преимущества в способности подгонки данных и извлечении глубоких признаков. Однако у этого подхода также есть некоторые ограничения. Например, наличие шума во входных данных снижает способность модели к обобщению во время обработки; при работе с многошкальными признаками часто возникают избыточные проблемы; для обеспечения линейной вычислительной сложности при сохранении дальних зависимостей необходимо глубокое понимание пространственных и спектральных характеристик. В связи с этим в данной работе предлагается модуль самовнимания для шумоподавления гиперспектральных изображений и 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, спектральные векторы разделены на несколько групп для изучения отношений между разными спектральными группами и извлечения спектральных признаков. Эти три модуля объединены в многоступенчатую сверточную автоэнкодерную сеть, образуя многоступенчатую рамочную модель разложения с вниманием Mamba PSAMN (Phase-wise Mamba Attention Unmixing Framework). Проведено сравнительное экспериментальное исследование предложенной модели PSAMN на синтетических и реальных гиперспектральных данных. Результаты экспериментов показывают, что предложенная модель разложения более эффективна и конкурентоспособна по сравнению с существующими алгоритмами.

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