近日，中国科学院合肥物质院智能所许桃胜副研究员团队提出了一种面向高光谱影像分类的高效全向状态空间模型 OmniMamba，通过全向扫描机制与状态空间模型融合，实现高精度、低参数量和低计算复杂度的高光谱地物分类。相关研究成果发表于信号处理领域权威期刊IEEE Journal of Selected Topics in Signal Processing（Impact factor : 13.7） 上。
高光谱影像能够获取地物在连续波段上的精细光谱信息，在农业遥感、生态监测和地物识别等领域具有重要应用价值。然而，高光谱数据存在波段维度高、空间与光谱关系复杂、标注样本有限等问题。传统方法难以充分挖掘长程空间依赖，Transformer 类方法虽然具备全局建模能力，但计算复杂度较高，限制了其在高效遥感解译中的应用。
针对上述问题，研究人员提出了 OmniMamba 模型，能够以线性计算复杂度实现高光谱图像二维空间结构到一维序列的全局建模，兼顾模型轻量化与高分类精度。该方法设计了row/ column/ zigzag/ snake四种全向扫描策略，将二维空间特征转换为具有结构约束的一维序列，并利用状态空间模型实现线性复杂度的全局依赖建模。同时，模型通过单尺度与多尺度特征协同交替处理，兼顾细粒度光谱差异和层次化空间上下文信息，从而提升高光谱影像分类精度与模型效率。实验结果表明，OmniMamba 在多个公开高光谱影像数据集上取得了优于现有卷积神经网络和 Transformer -based方法的分类性能，平均总体分类精度达到 99.28%。同时，该模型仅包含约 246 K 参数量，计算复杂度约为 0.04 GFLOPs，展现出在高光谱遥感智能解译、农业地物识别和轻量化部署中的应用潜力。
中国科学院合肥物质院智能所与安徽农业大学联合培养硕士研究生郑淇匀为论文第一作者，智能机械研究所许桃胜副研究员为通讯作者。该研究得到国家重点研发计划、安徽省重点研发计划、安徽省科技重大专项等项目支持。
文章链接：https://ieeexplore.ieee.org/document/11362929
OmniMamba 模型的空间分类框架
OmniMamba在WHC高光谱数据集上的分类结果
