ハイパースペクトル画像（HSI）を用いた作物分析は、精密農業において極めて重要である。HSIは豊富なスペクトル情報と空間情報を同時に捉えることができ、作物の正確なモニタリングと評価を可能にする。しかし、HSI分類には高いスペクトル次元、空間的複雑さ、クラス不均衡、限られたラベル付きサンプルといった課題が存在し、性能向上を妨げている。
このような課題に対処するため、arXivに投稿された論文では、BiSpectral Mambaと呼ばれるフレームワークを提案している。このフレームワークは、マルチスケール畳み込み特徴抽出、スペクトルアテンション機構、双方向状態空間モデリング、そして量子インスパイア学習を組み合わせることで、頑健な空間-スペクトル特徴学習を実現することを目指している。具体的には、まずマルチスケールCNNバックボーンが複数の解像度にわたる特徴融合を通じて階層的な空間-スペクトル表現を抽出する。次に、スペクトルアテンション機構が情報量の多いバンドを強調し、冗長でノイズの多いチャネルを抑制する。
精錬された特徴はBiSpectral Mambaモジュールに送られ、ハイパースペクトル特徴マップをシーケンシャルトークンとしてモデル化することで、前方向と後方向の両方で長距離依存関係を捉える。さらに、クラス重み付き最適化と特徴融合戦略を導入し、訓練の安定性を向上させるとともにクラス不均衡を緩和している。
UAVHSI-Cropデータセットでの実験評価により、提案フレームワークの有効性が確認され、全体精度84.83%を達成した。この結果は、畳み込み、アテンション、状態空間モデリングの各コンポーネントを統合することで、作物分類のための頑健な空間-スペクトル特徴学習が可能になることを示している。また、このフレームワークは作物病害検出、収量予測、土壌水分推定など、より広範な農業・リモートセンシング応用への可能性も秘めており、ハイパースペクトル画像分析における構造化状態空間および量子インスパイアアーキテクチャの有効性を強調している。
本論文は2026年6月15日に投稿され、コンピュータビジョンとパターン認識（cs.CV）に分類されている。著者はMohammad Salman Khanら3名であり、DOIは10.48550/arXiv.2606.17222である。