MambaHSINet：一种用于高光谱树种分类的双分支双向状态空间网络
MambaHSINet: A Dual-Branch Bidirectional State Space Network for Hyperspectral Tree Species Classification
研究单位：北京林业大学
摘要：
高光谱遥感能够提供丰富的光谱信息，已广泛应用于精细地物分类和森林监测。然而，由于不同树种之间的光谱差异细微、近缘树种具有相似的空间结构、光谱波段存在冗余，以及现有方法对长距离空间–光谱依赖关系的高效建模能力有限，准确的树种分类仍然面临较大挑战。此外，许多现有的高光谱图像分类方法依赖基于图像块（Patch）的输入方式和滑动窗口推理，这不仅容易产生大量重复计算，还难以充分利用整幅图像的全局上下文信息。针对上述问题，本文提出 MambaHSINet—— 一种面向整图像素级高光谱分类的双分支双向状态空间网络。具体而言，该网络设置光谱分支与空间分支，分别提取具有互补性的光谱响应特征与空间结构特征；随后引入基于选择性状态空间模型的双向 Mamba 全局建模模块，从正向和反向两个方向捕获长距离上下文依赖关系，同时保持线性的计算复杂度。不同于传统基于图像块的分类方法，MambaHSINet 以整幅高光谱图像作为输入，直接输出全分辨率像素级分类图，从而避免了重复裁剪以及滑动窗口推理带来的冗余计算。此外，本文还基于无人机搭载高光谱数据集构建了两个经过精细标注、专门用于树种分类的子数据集。在自建数据集与公开高光谱数据集上开展的实验结果表明：所提方法具备优异的分类精度、推理效率与泛化能力，在实际树种分类及其他通用高光谱应用场景中拥有良好应用前景。
数据采集：
本研究依托大疆M350 无人机搭载X20P-LIR一体式多源遥感设备，于2025年10月在张家口市怀来县东花园镇开展飞行试验，飞行任务均在晴朗、无云的天气条件下，于14:00至15:00之间进行。X20P-LIR 高光谱传感器光谱覆盖范围 350～1000 nm，共计 164 个波段，光谱采样间隔 4 nm。
图1无人机高光谱遥感数据采集系统
图2 研究区地理位置与环境概况：（左）河北省怀来县地形图；（右）东花园镇 ZJK 数据集点位示意图
研究方法：
图3本文所提方法整体框架
表1 HL_1 数据集地物类别及训练 / 测试样本数量统计
图4 HL_1 数据集：伪彩色合成图、真值图及颜色图例
表2 HL_2 数据集地物类别及训练 / 测试样本数量统计
图5 HL_2 数据集：彩色合成图、真值图及颜色图例
图6 HL_1 数据集各类地物光谱曲线
图7 HL_2 数据集各类地物光谱曲线
图8 Pavia 数据集：（左）彩色合成图，（右）真值图及颜色图例
图9 Houston 数据集：（上）彩色合成图，（下）真值图及颜色图例
图10 WHU-Hi-LongKou 数据集：（左）假彩色合成图，（右）真值图及颜色图例
图11 参数敏感性分析：(a) 光谱分支通道数 ICSpeB 与总体精度 OA 关系；(b) 空间分支通道数ICspaB 与总体精度 OA 关系；(c) Mamba 模块层数 SDMamL 与总体精度 OA 关系
表3 1% 训练样本比例下，三个数据集上网络核心模块消融实验结果（单位：%）
✓：采用该模块；×：移除该模块
图12 不同训练样本比例下光谱分支消融实验：(a) HL_1 数据集，(b) HL_2 数据集，(c) Pavia Centre 数据集
表4 HL_1 数据集上 SVM、Tri-CNN、HybridSN、SSFTT、MambaHSI、3DSS-Mamba、SS-Mamba 以及本文所提 MambaHSINet 的分类精度（%）
表5 HL_2 数据集上 SVM、Tri-CNN、HybridSN、SSFTT、MambaHSI、3DSS-Mamba、SS-Mamba 以及本文所提 MambaHSINet 的分类精度（%）
图13 HL_1 数据集上 SVM、Tri-CNN、HybridSN、SSFTT、MambaHSI、3DSS-Mamba、SS-Mamba 以及本文提出的 MambaHSINet 的标注影像与分类结果对比
图14 不同训练样本比例下光谱分支消融实验：(a) HL_1 数据集，(b) HL_2 数据集，(c) Pavia Centre 数据集
图15 Pavia Centre 数据集上 SVM、Tri-CNN、HybridSN、SSFTT、MambaHSI、3DSS-Mamba、SS-Mamba 以及本文提出的 MambaHSINet 的标注影像与分类结果对比
表6 不同模型在各数据集上的计算性能对比
图16 Houston 数据集上 MambaHSINet 的标注影像与分类结果
图17 WHU-Hi-LongKou 数据集上 MambaHSINet 的标注影像与分类结果
表7 MambaHSINet 与现有主流 Mamba 类 SOTA 方法网络结构对比
研究结论：本文提出了 MambaHSINet，一种基于双向状态空间模型（SSM）的双分支网络，用于整图像高光谱分类。通过采用整图端到端推理、解耦的光谱–空间特征提取以及线性复杂度的全局建模，该方法克服了传统基于图像块（Patch）的 Mamba 方法存在的重复计算量大以及长距离依赖建模能力不足等问题。在多个具有不同场景特征的高光谱数据集上进行实验表明，该模型具有较高的分类精度、良好的稳定性、较少的参数量、较快的推理速度以及较低的推理内存占用，并且在不同场景之间表现出良好的泛化能力。此外，本文还发布了两个经过精细标注的 ZJK 无人机载高光谱树种数据集子集。这两个子集覆盖典型的森林–农田过渡区域，丰富了精细森林分类研究中的标注数据，并可作为无人机森林监测的重要基准数据集。尽管该模型取得了较好的性能，但仍存在两个主要局限性。首先，整图训练会带来较大的计算开销和较高的 GPU 显存占用，从而限制了其在低端设备和大规模数据上的应用。其次，整图输入可能导致一定的传导式学习（Transductive Learning）偏差。未来的研究将重点优化训练策略，以降低硬件资源消耗并缓解上述偏差。
