En los últimos años, los modelos de desmezcla lineal han llamado la atención debido a su eficiencia (cálculos simples, escalabilidad), su significado físico claro y su facilidad de procesamiento. Entre los diversos métodos de desmezcla lineal, la tecnología de los autoencoders ha mostrado ventajas significativas en términos de capacidad para ajustar los datos y extraer características profundas. Sin embargo, este método también presenta ciertas limitaciones. Por ejemplo, la capacidad del modelo para generalizar disminuye debido al ruido en los datos; frente a características multiescala, a menudo surgen problemas redundantes; para asegurar una complejidad de cálculo lineal y al mismo tiempo mantener una dependencia a largo plazo, necesitamos una comprensión profunda de las características espaciales y espectrales. Para resolver los problemas anteriores, este documento propone un módulo de autoatención para el procesamiento de imágenes hiperespectrales; al mismo tiempo, propone un nuevo modelo de imagen hiperespectral basado en el modelo Mamba, más específicamente, hemos diseñado un bloque espacial Mamba para extraer características espaciales; en el espectro, se propone un bloque de espectro Mamba, dividiendo el vector espectral en varios grupos, explorando las relaciones entre diferentes grupos espectrales y extrayendo características espectrales. Al integrar estos tres bloques en una red de autoencoders con convoluciones de múltiples etapas, se formó un marco de desmezcla de atención Mamba de múltiples etapas (PSAMN, Phase-wise Mamba Attention Unmixing Framework), al comparar PSAMN con un conjunto de datos hiperespectrales sintéticos y un conjunto de datos hiperespectrales reales, se encontró que el marco de desmezcla propuesto es más eficaz y competitivo que los algoritmos existentes.

desmezcla hiperespectral; aprendizaje profundo; módulo de autoatención; bloque Mamba