量子增强多尺度CNN与双向Mamba用于农田分析
提出了一种结合多尺度卷积、光谱注意力、双向状态空间建模和量子启发学习的BiSpectral Mamba框架，在UAVHSI-Crop数据集上达到84.83%的分类准确率，有效解决了高光谱图像分类中的高维性、空间复杂性和类别不平衡等挑战。
高光谱图像（HSI）在精准农业中扮演着关键角色，因为它能够捕获丰富的光谱和空间信息，从而实现对作物生长状况的精确监测与评估。然而，HSI分类任务面临若干严峻挑战：高光谱维度导致数据稀疏性，空间复杂度高，类别不平衡问题普遍存在，且标记样本往往有限。这些问题严重制约了传统机器学习方法的有效性。为了克服这些障碍，最新研究提出了一种名为BiSpectral Mamba的创新框架，该框架巧妙融合了多尺度卷积特征提取、光谱注意力机制、双向状态空间建模以及量子启发学习等前沿技术。
BiSpectral Mamba框架首先利用多尺度CNN骨干网络，通过在不同分辨率上进行特征融合，提取层次化的空间-光谱表示。这一过程能够同时捕获局部细节和全局结构，为后续处理打下坚实基础。随后，光谱注意力机制被引入，自动聚焦于信息量丰富的光谱波段，同时有效抑制冗余和噪声通道，从而提升特征的判别性。经过精炼的特征随后送入BiSpectral Mamba模块，该模块将高光谱特征图视为序列令牌，并在正向和反向两个方向上建模长距离依赖关系。这种双向状态空间建模方式能够充分挖掘光谱序列中的潜在关联，增强模型对复杂模式的捕捉能力。此外，框架还采用了类别加权优化和特征融合策略，以改善训练稳定性并缓解类别不平衡带来的偏差。
在UAVHSI-Crop数据集上的实验评估显示，BiSpectral Mamba框架表现出色，总体分类准确率达到84.83%。这一结果有力证明，卷积、注意力机制与状态空间建模等组件的协同集成，能够实现稳健的空间-光谱特征学习，显著提升作物分类性能。研究人员指出，该框架不仅适用于作物分类，还有望扩展到更广泛的农业和遥感应用场景，包括作物病害检测、产量预测以及土壤湿度估算等。同时，该研究也凸显了结构化状态空间和量子启发架构在高光谱图像分析领域的巨大潜力。这一工作为精准农业中的智能决策提供了新的技术路径。