HTD-Mamba: Efficient Hyperspectral Target Detection with Pyramid State Space Model

这篇文章提出了一种名为HTD-Mamba的高效自监督超光谱目标检测方法，它采用金字塔状态空间模型（SSM）和光谱对比学习来区分目标和背景。为了解决有限先验知识和光谱变化所带来的挑战，文章提出了一种空间编码光谱增强技术，将所有周围像素编码成中心像素的变换视图，以获得足够的训练样本和利用空间上下文信息。此外，为了探索全局波段相关性，文章将像素分为连续的分组光谱嵌入，并首次将Mamba引入到HTD中，以线性复杂度建模光谱序列的长程依赖性。此外，为了减轻光谱变化并增强鲁棒性，文章提出了一个金字塔SSM作为骨干网络，以捕获和融合多分辨率的光谱内在特征。在四个公共数据集上进行的广泛实验表明，所提出的方法在定量和定性评估方面均优于现有的最先进方法。代码可在\url{https://github.com/shendb2022/HTD-Mamba}上获得。

本文旨在解决高光谱目标检测（HTD）中的挑战，如有限的先验知识和光谱变化，导致模型欠拟合和性能不可靠。

本文提出了一种自监督的HTD方法，名为HTD-Mamba，它采用金字塔状态空间模型（SSM）和光谱对比学习，通过内在特征的相似性度量来区分目标和背景。

本文提出了一种空间编码的光谱增强技术来获得足够的训练样本和利用空间上下文信息，还提出了金字塔SSM作为骨干网络来捕获和融合多分辨率的光谱内在特征。此外，本文还将Mamba引入到HTD中，以线性复杂度建模光谱序列的长程依赖性。该方法在四个公共数据集上的实验表明，它在定量和定性评估中均优于现有的方法。

最近的相关研究包括：《Hyperspectral Target Detection Based on Deep Mixture of Experts》、《Hyperspectral Target Detection via Discriminative Feature Learning and Superpixel-Based Saliency Detection》等。