يلعب تصنيف الصور فائقة الطيف (HSIC) دورًا حيويًا في مهام مراقبة الأرض ذات التفاصيل الدقيقة. ومع ذلك، يظل موازنة نمذجة الاعتماد طويل المدى بكفاءة مع استخراج الميزات المحلية الدقيقة تحديًا كبيرًا، ويرجع ذلك أساسًا إلى الازدواجية الطيفية العالية الأبعاد والتغير المكاني المعقد للبيانات الفائقة الطيف. تُظهر نماذج النمذجة الحالية حدودًا مميزة: فشبكات الأعصاب الالتفافية (CNNs) محدودة بمجالات استقبالية محلية، في حين أن محولات الرؤية (ViTs)، على الرغم من قدرتها على استقبال المعلومات بشكل شامل، تتحمل تعقيد حسابي رباعي تكاملي مرتفع جدًا. في الوقت ذاته، أظهرت بنية Mamba الناشئة فعالية ملحوظة في نمذجة التسلسلات بمعقد خطي، لكنها غالبًا ما تفتقر إلى الحساسية الكافية للنسيج المحلي عند تطبيقها مباشرة على الصور ثنائية الأبعاد غير السببية. لمعالجة هذه القيود، تقترح هذه الورقة بنية هجينة موازية جديدة تُسمى DualMambaFormer. مخالفةً للنموذج التقليدي للتكديس التسلسلي، تستخدم الشبكة المقترحة تصميمًا ذا مسارين لتحقيق دمج تكميلي بين الانتباه الستاتيكي العالمي والاستدلال التسلسلي الديناميكي. بشكل محدد، تستخدم النموذج أولاً SS-ResNet لتقليل الأبعاد الطيفية وتضمين الميزات المحلية. ثم تنقسم البنية إلى مرحلة ترميز موازية: يستخدم أحد الفروع الانتباه الذاتي متعدد الرؤوس (MHSA) لالتقاط الترابطات المكانية العالمية، بينما يقدم الفرع الآخر فرع Mamba محسن محليًا (LEM). من خلال دمج نماذج الفضاء الحركي (SSM) مع الطبقات الالتفافية المنفصلة عميقًا، يلتقط فرع LEM في الوقت نفسه الاعتماد السببي طويل المدى والسياق المكاني المحلي. أخيرًا، تم تصميم استراتيجية دمج مزدوجة لرموز الفئات لدمج التمثيلات غير المتجانسة على مستوى القرار. أظهرت تجارب مكثفة على أربع مجموعات بيانات معيارية — Indian Pines وPavia University وSalinas وWHU-HongHu — أن DualMambaFormer يحقق قيم الدقة الإجمالية (OA) بنسبة 96.56%، 98.95%، 97.60%، و96.09% على التوالي، مع ثبات عالي في معاملات الدقة المتوسطة (AA) وكابا. تشير هذه النتائج إلى فعالية ومتانة وقدرة تعميم الطريقة المقترحة لتصنيف الصور فائقة الطيف. مقارنةً بأفضل الطرق المنافسة الثانية، يحسن DualMambaFormer الدقة الإجمالية (OA) بمقدار 5.55، 2.30، 1.68، و4.30 نقاط مئوية على مجموعات بيانات Pavia University وIndian Pines وSalinas وWHU-HongHu على التوالي.
درس Jiang وآخرون (Mon,) هذا السؤال.