MetaMamba: Meta-learning with mamba for few-shot vegetation species classification using UAV-based hyperspectral imagery in desert rangeland
Fei Hao · Xia Gao · T Zhang 等 6 人
提出MetaMamba方法，结合元学习与Mamba，实现荒漠草原无人机高光谱影像少样本植被物种分类。
构建CNN与Mamba的局部-全局双分支结构，引入元学习策略增强少样本特征学习。
MetaMamba在少样本下OA达90.85%，AA达91.67%，Kappa为87.77%，优于现
可探索将MetaMamba应用于其他生态系统的少样本物种分类，或结合多源数据提升泛化能力。
提出MetaMamba方法，结合元学习与Mamba模型，解决荒漠草原无人机高光谱影像少样本植被分类难题，精度高，对生态监测有实用价值。
荒漠草原生态系统的高效监测对于区域生态安全具有重要意义。无人机高光谱遥感为植被物种的精细识别提供了有效手段。然而，在实际应用中，利用高光谱图像进行植被分类常面临标记样本有限的问题，使得传统深度学习方法难以获得稳定且准确的分类结果。针对上述问题，本研究提出了一种基于元学习与Mamba（MetaMamba）的荒漠草原植被分类方法。该方法在特征提取阶段构建了局部-全局双分支结构，以实现局部与全局空间上下文信息的有效融合。具体而言，局部分支采用卷积神经网络（CNN）提取细粒度空间特征，而全局分支则基于Mamba模型建模长距离空间依赖关系。此外，引入元学习策略以增强模型在少样本条件下的特征学习与泛化能力。实验结果表明，所提方法在多项评价指标上均优于现有方法，总体分类精度（OA）达到90.85%，平均分类精度（AA）达到91.67%，Kappa系数达到87.77%。该方法在不同样本数量下均表现出良好的稳定性与适应性。MetaMamba模型能够在少样本条件下实现荒漠草原植被物种的高精度分类，为生态监测与草原资源管理提供了有效的技术途径。