[논문 리딩] HSIMamba: Hyperspectral Imaging Efficient Feature Learning with Bidirectional State Space for Classification

HSImamba 나온 이유

- hybrid attention 모델들은 computational intensity 라는 문제가 있다. 
- 장점1: 낮은 연산 복잡도 , linear memory requirements (선형 메모리 필수조건들)?
- HSIMamba는 잘 구축된 비전 트랜스포머보다 성능이 좋으며, 새로운 표준이 될 것이다라고 하였다.

 

> ViT는 컴퓨팅 연산에 문제가 많다. 대용량 이미지 파일을 필요로 한다.  

> 내 생각에는 ViT는 선형으로 변환하는 과정과 인풋으로 받는 과정에서도 많은 컴퓨팅 연산을 필요로 할 것이다. 

트랜스포머로부터 야기된 컴퓨팅연산 문제에 의하면, 
SSMs stram-lined 접근법을 제시함 
전통적인 attention 메커니즘에서 scalable한 SSM-based backbone으로 대체하였음

 

HSIMamba의 핵심은 parameters A와 B로의 변환이다.
이러한 파라미터들은 reversed bidirectional processing 접근을 가능케한다.
이것은 모델이 분광 정보를 잡아내고 통합하는 능력을 강화시킨다. 

 

 

Methodology 

 

 

A. HSIMamba Model Preliminaries