基于核分布嵌入的支持向量机高光谱图像分类

基于深度卷积网络选择核机制的快速高光谱图像分类

Faster hyperspectral image classification based on selective kernel mechanism using deep convolutional networks

Hefei University of Technology（合肥工业大学）

高光谱图像具有丰富的空间和光谱信息。利用3D-CNN可以同时获取空间维和光谱维的特征，便于特征的分类，但高光谱图像的光谱维信息冗余。使用连续的3D-CNN会导致参数量很高，对设备的计算能力要求很高，训练时间太长。本文设计了快速选择性内核机制网络（FSKNet），FSKNet可以平衡这个问题。设计了3D-CNN和2D-CNN的转换模块，利用3D-CNN完成特征提取，同时降低空间和频谱的维数。然而，这样的模型不够轻巧。在转换后的2D-CNN中，提出了一种选择性核机制，该机制允许每个神经元基于双向输入信息尺度来调整感受野大小。在选择性内核机制下，它主要包括两个组件，se模块和可变卷积。Se获取通道维注意和变量卷积，得到地物的空间维形变信息。该模型更准确，更快，计算密集度更低。FSKNet在IN，UP，Salinas和Botswana数据集上实现了很高的精度，参数非常小。

2022-02-14cs.CVeess.IV

基于多结构嵌入和降维的高光谱图像分类与杂波检测

Hyperspectral Image Classification and Clutter Detection via Multiple Structural Embeddings and Dimension Reductions

Duke University（杜克大学）

我们提出了一种新的和有效的方法用于高光谱图像（HSI）分类和杂波检测，克服了一些长期存在的挑战HSI数据特性。HSI数据样本位于高维光谱属性空间中，已知其光谱特征具有强相关性，由于几个物理定律而表现出非线性结构，并且包含来自多个源的不确定性和噪声。在该方法中，我们生成一个自适应的，结构丰富的表示环境，并在其中使用局部线性嵌入（LLE）。一个是特征空间嵌入：HSI数据属性被嵌入到一个歧视性的特征空间，空间-光谱相干性和独特的结构被提取和利用，以减轻在本地高光谱属性空间中遇到的各种困难。另一个结构层包含LLE和特征嵌入的算法参数范围，并支持多路复用和集成方案，以应对多源不确定性。两个常用的HSI数据集与少量的学习样本的实验呈现出显着的高精度分类结果，以及检测到的杂波区域的独特的地图。

2015-06-03cs.CV

高光谱图像分类的深流形嵌入

Deep Manifold Embedding for Hyperspectral Image Classification

National Innovation Institute of Defense Technology, Chinese Academy of Military Science（中国军事科学院国防科技创新研究院）；National University of Defense Technology（国防科技大学）

深度学习方法在高光谱图像分类中发挥着越来越重要的作用。然而，一般的深度学习方法主要利用样本本身的信息或样本之间的成对信息，而忽略了整个数据内在的数据结构。为了解决这个问题，这项工作开发了一种新的深流形嵌入方法（DMEM）的高光谱图像分类。首先，图像中的每个类被建模为一个特定的非线性流形，测地线距离被用来衡量样本之间的相关性。然后，基于层次聚类，可以捕获的数据的流形结构，每个非线性数据流形可以分为几个子类。最后，考虑到每个子类的分布和不同子类之间的相关性，构造了DMEM，以保持数据流形上的估计测地线距离之间的学习不同样本的低维特征。在三个真实高光谱图像数据集上的实验证明了该方法的有效性。

2021-03-27cs.CVeess.IV

用于高光谱图像分类的高效动态注意力3D卷积

Efficient Dynamic Attention 3D Convolution for Hyperspectral Image Classification

iFLYTEK（讯飞科技）；Aegon THTF（东方明珠新媒体）

针对高光谱图像分类中信息利用不足与过拟合等问题，本文基于改进的3D-DenseNet提出动态注意力3D卷积（DAC）模块，通过多并行卷积核与动态权重实现自适应特征提取，在不增加网络深度下显著提升了分类精度与推理速度。

2025-03-30cs.CV

面向高光谱图像分类的空间几何增强三维动态蛇形卷积神经网络

Spatial-Geometry Enhanced 3D Dynamic Snake Convolutional Neural Network for Hyperspectral Image Classification

iFLYTEK（讯飞科技）；Aegon THTF

本文提出SG-DSCNet，通过动态蛇形卷积与多视角特征融合增强高光谱图像分类对复杂地物结构的自适应感知能力，并在IN、UP和KSC数据集上取得优于主流方法的性能。

2025-04-06cs.CV

用于高光谱图像分类的光谱图推理网络

Spectral Graph Reasoning Network for Hyperspectral Image Classification

Tampere University（坦佩雷大学）

针对CNN在高光谱图像分类中光谱感受野受限的问题，提出SGR网络，通过光谱解耦建图与循环图传播集成，显著提升分类准确率。

2024-07-08cs.CV

基于朴素Gabor网络的高光谱图像分类

Naive Gabor Networks for Hyperspectral Image Classification

Sun Yat-sen University（中山大学）；South China University of Technology（华南理工大学）；Hunan University（湖南大学）；University of Extremadura（埃斯特雷马杜拉大学）；Beihang University（北京航空航天大学）

最近，许多卷积神经网络（CNN）方法已被设计用于高光谱图像（HSI）分类，因为CNN能够产生良好的数据表示，这极大地受益于大量的参数。然而，解决这样的高维优化问题往往需要大量的训练样本，以避免过度拟合。此外，它是一个典型的非凸问题，受许多局部极小和平坦区域的影响。为了解决这些问题，在本文中，我们引入了朴素的Gabor网络或Gabor-Nets，在文献中首次严格以Gabor滤波器的形式设计和学习CNN内核，旨在减少所涉及的参数数量并限制解空间，从而提高CNN的性能。具体来说，我们开发了一种创新的相位诱导的Gabor内核，它巧妙地设计为通过由内核相位控制的数据的局部低频和高频分量的线性组合来执行Gabor特征学习。通过引入相位诱导的Gabor核函数，提出的Gabor-Nets能够自动适应HSI数据的局部谐波特征，从而产生更具代表性的谐波特征。此外，该内核可以以实值方式实现传统的复值Gabor滤波，从而使Gabor-Nets易于在通常的CNN线程中执行。我们在三个著名的HSI上评估了我们新开发的Gabor-Nets，表明我们提出的Gabor-Nets可以显着提高CNN的性能，特别是在小训练集的情况下。

2020-02-24cs.CVcs.LGeess.IV

基于半参数模型和空间正则化的高光谱图像非线性解混

Nonlinear unmixing of hyperspectral images using a semiparametric model and spatial regularization

由于高光谱场景中固有的空间-光谱二元性，将空间信息转换为高光谱解混程序已被证明具有积极的效果。目前考虑空间信息的研究工作主要集中在线性混合模型上。在本文中，我们研究了一种变分方法，将空间相关性的非线性分解过程。一个非线性算法操作再生核希尔伯特空间，与$\ell_1$局部变化范数的空间正则化，推导。仿真和实际数据的实验结果表明了该方法的有效性。

2013-10-31stat.ML

EnergyFormer：用于高光谱图像分类的基于傅里叶嵌入的能量注意力机制

EnergyFormer: Energy Attention with Fourier Embedding for Hyperspectral Image Classification

Department of Computer Science, National University of Computer and Emerging Sciences（计算机科学系，国立计算机与新兴科学大学）；Institute of Software Development and Engineering, Innopolis University（软件开发与工程研究所，因诺波利斯大学）；Dipartimento di Matematica e Informatica—MIFT, University of Messina（数学与信息学系—MIFT，墨西拿大学）

本文提出EnergyFormer框架，通过多头能量注意力、傅里叶位置嵌入和增强型卷积块注意力模块，有效提取高光谱图像的光谱-空间特征，在多个数据集上取得卓越分类精度。

2025-03-11cs.CV

基于深度方向过参数化卷积的浅层网络用于高光谱图像分类

Shallow Network Based on Depthwise Over-Parameterized Convolution for Hyperspectral Image Classification

College of Computer and Information, Hohai University（河海大学计算机与信息学院）

针对高光谱图像分类中深度网络在有限样本下易过拟合及空间分辨率下降的问题，提出一种结合深度方向过参数化卷积与密集残差连接的浅层网络DOCNN，有效提升了特征提取能力、分类精度与计算效率。

2021-12-01cs.CVeess.IV

基于光谱金字塔图注意力网络的高光谱图像分类

Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification

Huawei Helsinki Research Center, Finland（华为赫尔辛基研究中心（芬兰））；Huawei Technologies, China（华为技术有限公司（中国））

卷积神经网络（CNN）在高光谱图像分类中取得了显著的进展。然而，标准卷积核忽略了数据点之间的内在联系，导致区域划分不佳和小的虚假预测。此外，HSI具有沿着高维谱域的独特的连续数据分布-考虑到过高的维度，在表征谱上下文方面还有很多问题需要解决，并且鉴于有限数量的标记数据，提高推理能力。本文提出了一种新的架构，明确解决这两个问题。具体地说，我们设计了一种架构，以多个嵌入空间的频谱金字塔的形式编码的多个频谱上下文信息。在每个谱嵌入空间中，我们提出了图注意力机制，根据谱特征空间中的连接，在空间域中显式地执行可解释的推理。在3个HSI数据集上的实验表明，与现有方法相比，该方法能显著提高分类精度。

2020-01-20cs.CV

基于注意力机制的混合稠密网络高光谱图像分类

Attention Mechanism Meets with Hybrid Dense Network for Hyperspectral Image Classification

National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）；Innopolis University（因诺波利斯大学）；University of Messina（墨西拿大学）；Jalpaiguri Government Engineering College（贾尔派古里政府工程学院）；Beijing Institute of Technology（北京理工大学）

卷积神经网络（CNN）确实更合适。然而，传统的CNN由于核大小固定，过于具体，既不灵活，也不利于特征学习，从而影响分类精度。不同核大小的网络的卷积可以通过捕获更多有区别的和相关的信息来克服这个问题。鉴于此，所提出的解决方案旨在将3D和2D Inception网络的核心思想与注意力机制相结合，以提高混合场景中的HSIC CNN性能。由此产生的\textit{attention-fused hybrid network}（AfNet）基于三个注意力融合的并行混合子网，每个块中具有不同的内核，重复使用高级特征来增强最终的地面实况图。简而言之，AfNet能够选择性地过滤掉对分类至关重要的判别特征。与最先进的模型相比，对HSI数据集的几项测试为AfNet提供了具有竞争力的结果。事实上，拟议的管道实现了97%的印度松树，100%的博茨瓦纳，99%的帕维亚大学，帕维亚中心和萨利纳斯数据集的整体准确性。

2022-01-04cs.CVeess.IV

基于再生核Hilbert空间算子的RBF核最优带宽快速选择

Fast Optimal Bandwidth Selection for RBF Kernel using Reproducing Kernel Hilbert Space Operators for Kernel Based Classifiers

IRISA（法国信息与随机系统研究所）

基于核的方法在许多遥感分类任务中表现出了有效的性能。然而，它们的性能显着依赖于其超参数。估计参数的常规技术具有高计算复杂度。因此，这封信的目的是提出一种快速有效的方法来选择高斯核的带宽参数在基于核的分类方法。提出的方法是基于再生核希尔伯特空间中的算子，并在支持向量机和PerTurbo分类方法上进行评估。高光谱数据集进行的实验表明，我们提出的方法优于国家的最先进的方法在计算时间和分类性能。

2018-04-14cs.LGstat.ML

DGCNet：一种基于动态分组卷积的高效3D-Densenet，用于高光谱遥感图像分类

DGCNet: An Efficient 3D-Densenet based on Dynamic Group Convolution for Hyperspectral Remote Sensing Image Classification

Suning（苏宁）

针对高光谱分类中空间光谱信息利用不足及深层模型过拟合等问题，本文提出融合动态分组卷积的轻量级DGCNet，在IN、Pavia和KSC上提升了速度与精度。

2023-07-13cs.CV

ASPCNet：一种用于高光谱图像分类的深度自适应空间模式胶囊网络

ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification

Sun Yat-sen University（中山大学）；Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)（南方海洋科学与工程广东省实验室（珠海））；Shenzhen University（深圳大学）

以往的研究表明，胶囊网络的空间上下文特征提取{高光谱图像（HSI）}的巨大潜力。然而，胶囊的卷积核的采样位置是固定的，并且不能根据HSI的不一致语义信息自适应地改变。基于这一观察，本文提出了一种自适应空间模式胶囊网络（ASPCNet）架构，通过开发一个自适应空间模式（ASP）单元，它可以在扩大的感受野的基础上旋转卷积核的采样位置。注意，该单元可以用更少的参数学习更多的判别式表示。具体而言，两个级联的基于ASP的卷积运算（ASPConvs）应用于输入图像，以学习相对高级的语义特征，比使用最基本的特征更准确地在胶囊之间传输层次结构。此外，语义特征被馈送到基于ASP的conv-capsule操作（ASPCaps）中，以自适应的方式探索胶囊中对象的形状，进一步探索胶囊网络的潜力。最后，以测试样本为中心的图像块的类标签可以根据完全连接的胶囊层来确定。在三个公共数据集上的实验表明，ASPCNet可以产生具有竞争力的性能，比最先进的方法具有更高的精度。

2021-04-25cs.CV

基于精炼原型的双分支残差网络跨域少样本高光谱图像分类

Dual-Branch Residual Network for Cross-Domain Few-Shot Hyperspectral Image Classification with Refined Prototype

School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications（重庆邮电大学通信与信息工程学院）；School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院）

本文提出一种双分支残差网络，通过并行分支整合空间与光谱特征、利用正则化项获取精炼原型，并采用核概率匹配策略对齐源域与目标域特征，有效解决了跨域少样本高光谱图像分类中的计算成本高、泛化差及领域偏移问题。

2025-04-27cs.CVcs.LG

利用数据分布的分数进行超光谱异常检测

Utilizing the Score of Data Distribution for Hyperspectral Anomaly Detection

Preprint（预印本）

本文提出ScoreAD方法，利用基于分数的生成模型（SGM）的分数来实现超光谱异常检测，通过训练SGM并利用扰动核进行测试，有效识别异常光谱。

2026-01-18cs.CV

结合多尺度特征的高光谱图像分类：基于序列的核方法

Combining multiscale features for classification of hyperspectral images: a sequence based kernel approach

Univ. Bretagne-Sud（南布列塔尼大学）

目前，高光谱图像分类广泛地利用空间信息来提高分类精度。其中最流行的方法来整合这些信息是从多尺度分割提取层次特征。在分类上下文中，提取的特征通常被连接成长向量（也称为堆叠向量），在其上应用传统的基于向量的机器学习技术（例如，具有高斯核的SVM）。在本文中，我们建议使用序列结构的内核：频谱内核。我们表明，传统的堆叠基于向量的内核实际上是这个内核的一个特例。在各种公开可用的高光谱数据集上进行的实验说明了所提出的内核的改进使用相同的分层空间特征的常规方法。

2016-06-15cs.CVcs.LGstat.ML

余弦归一化注意力用于超分辨率图像分类

Cosine-Normalized Attention for Hyperspectral Image Classification

SDAIA-KFUPM, Joint Research Center for Artificial Intelligence (JRCAI), King Fahd University of Petroleum and Minerals（SDAIA-KFUPM联合人工智能研究中心（JRCAI），法赫德国王石油矿产大学）；Institute of Software Development and Engineering, Innopolis University（软件开发和工程学院，因诺波利斯大学）

本文提出余弦归一化注意力机制，通过几何视角优化超分辨率图像分类中的相似度计算，实验表明其在有限监督下优于多种Transformer和Mamba模型。

2026-04-02cs.CV

基于核空间公平特征嵌入的公平核回归

Fair Kernel Regression via Fair Feature Embedding in Kernel Space

University of Wyoming（怀俄明大学）

近年来，人们在减轻机器学习方法中不道德的人口统计学偏见方面做出了重大努力。然而，对内核方法做的很少。本文提出了一种新的基于核空间公平特征嵌入的公平核回归方法（FKR-F $^2$ E）。受核空间中的特征选择和公平机器学习的特征处理的先前工作的启发，我们提出学习公平的特征嵌入函数，最大限度地减少核空间中特征分布的人口统计差异。与最先进的公平核回归方法和几种基线方法相比，我们表明FKR-F $^2$ E在三个真实数据集上实现了显着更低的预测差异。

2019-09-20cs.LGstat.ML

关于核均值嵌入优化分布的注记

A Note on Optimizing Distributions using Kernel Mean Embeddings

INRIA（法国国家信息与自动化研究所）；PSL Research University（PSL研究大学）

核均值嵌入是一种流行的工具，它通过在再生核希尔伯特空间中的无穷维均值嵌入来表示概率测度。当内核是特征时，均值嵌入可以用来定义概率度量之间的距离，称为最大均值差异（MMD）。均值嵌入和MMD的一个众所周知的优点是它们的低计算成本和低样本复杂度。然而，核均值嵌入在优化分布的问题中的应用有限，这是由于难以表征哪些希尔伯特空间向量对应于概率分布。在本说明中，我们建议利用Marteau-Ferey等人[2020]的正函数的核平方和参数化来拟合MMD几何中的分布。首先，我们表明，当内核是特征，与内核平方和密度分布是密集的。然后，我们提供算法来优化这种分布在有限样本设置，我们说明在密度拟合数值实验。

2021-06-27cs.LGstat.ML

基于映射层卷积神经网络的高光谱图像分类

A Convolutional Neural Network with Mapping Layers for Hyperspectral Image Classification

在本文中，我们提出了一个卷积神经网络与映射层（MCNN）的高光谱图像（HSI）分类。所提出的映射层通过多线性代数将输入面片映射到一个低维子空间。我们使用映射层来减少光谱和空间冗余并保持输入的大部分能量。由我们的映射层提取的特征还可以减少用于特征提取的后续卷积层的数量。我们的MCNN架构避免了HSI分类的深度学习模型的准确性随着层的增加而下降的现象，并且还节省了其有效映射层的训练时间。此外，我们在卷积层上施加3-D卷积核来提取HSI的频谱-空间特征。我们在印第安松，帕维亚大学和萨利纳斯的三个数据集上测试了我们的MCNN，我们分别达到了98.3%，99.5%和99.3%的分类准确率。实验结果表明，该方法能显著提高分类精度，并节省大量的时间消耗。

2019-08-26cs.CVeess.IV

用于高光谱图像分类的具有扩展感受野的3D小波卷积

3D Wavelet Convolutions with Extended Receptive Fields for Hyperspectral Image Classification

iFLYTEK（讯飞科技）；Aegon THTF（南京熊猫汉达科技有限公司）

针对高光谱图像分类中深度神经网络面临的过拟合与泛化能力有限问题，提出集成小波变换的改进3D-DenseNet模型WCNet，通过小波卷积扩展感受野并增强低频响应，在IN、UP、KSC数据集上性能优于主流方法。

2025-04-15cs.CV

深度嵌入内核

Deep Embedding Kernel

Institute of Analytics and Data Science, Kennesaw State University（肯尼索州立大学分析与数据科学研究所）；Department of Information Technology, Kennesaw State University（肯尼索州立大学信息技术系）

在本文中，我们提出了一种新的监督学习方法，称为深度嵌入核（DEK）。DEK将深度学习和核方法的优点结合在一个统一的框架中。更具体地说，DEK是一个可学习的内核，由新设计的深度架构表示。与预定义的内核相比，该内核可以显式地训练以将数据映射到优化的高级特征空间，其中数据可能具有对应用有利的特征。与使用SoftMax或逻辑斯谛回归作为顶层的典型深度学习相比，DEK预计将更适用于新数据。实验结果表明，DEK在身份检测、分类、回归、降维和迁移学习等方面都优于典型的机器学习方法。

2018-04-16cs.LGstat.ML

核条件均值嵌入的测度论方法

A Measure-Theoretic Approach to Kernel Conditional Mean Embeddings

MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）

我们提出了一个无算子的，测度理论的方法，条件平均嵌入（CME）作为一个随机变量的再生核希尔伯特空间中的值。虽然核均值嵌入的无条件分布已被严格定义，现有的基于算子的方法的条件版本依赖于严格的假设，阻碍其分析。我们克服了这个限制，通过测量理论治疗日冕物质抛射。我们推导出一个自然的回归解释，以获得经验估计，并提供了一个彻底的理论分析，包括普遍的一致性。作为自然的副产品，我们得到的最大平均差异和希尔伯特-施密特独立性准则的条件类似物，并通过模拟演示其行为。

2021-01-08cs.LGstat.ML

一种用于高光谱图像分类的快速三维CNN算法

A Fast 3D CNN for Hyperspectral Image Classification

Khwaja Fareed University of Engineering and Information Technology（赫瓦贾·法里德工程与信息技术大学）

高光谱成像（HSI）已被广泛用于许多现实世界的应用。由于类间相似性高、类内变异性大、区域重叠和嵌套，HSI分类（HSIC）是一项具有挑战性的任务。2D卷积神经网络（CNN）是一种可行的方法，其中HSIC高度依赖于频谱-空间信息，因此，3D CNN可以是一种替代方案，但由于体积和频谱维度而具有高度的计算复杂性。此外，这些模型不提取质量特征图，并且可能在具有相似纹理的区域上表现不佳。因此，这项工作提出了一个三维CNN模型，利用空间光谱特征图，以达到良好的性能。为了实现上述性能，HSI立方体首先被划分成小的重叠的3D补丁。随后，使用多个连续波段上的3D核函数对这些补丁进行处理，以生成3D特征图，这些波段也保留了光谱信息。基准HSI数据集（帕维亚大学，萨利纳斯和印度松树）被认为是验证我们所提出的方法的性能。结果进一步比较了几个国家的最先进的方法。

2020-04-29cs.CVeess.IV

具有拉德马赫复杂度界的条件核均值嵌入超参数学习

Hyperparameter Learning for Conditional Kernel Mean Embeddings with Rademacher Complexity Bounds

University of Sydney（悉尼大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）；Australian National University（澳大利亚国立大学）

条件核均值嵌入是在再生核希尔伯特空间中编码条件期望的非参数模型。虽然它们为概率推理提供了一个灵活而强大的框架，但它们的性能高度依赖于核和正则化超参数的选择。然而，目前的超参数调整方法主要依赖于昂贵的交叉验证或推理，这不是最优化的推理任务。对于具有分类目标和任意输入的条件核均值嵌入，我们提出了一个基于拉德马赫复杂度界限的超参数学习框架，通过平衡数据拟合和模型复杂度来防止过拟合。我们的方法只需要批量更新，允许可扩展的内核超参数调整，而无需调用内核近似。实验表明，我们的学习框架优于竞争方法，并且可以进一步扩展到包含和学习深度神经网络权重以提高泛化能力。

2018-11-08cs.LGstat.ML

Invariant Attribute Profiles：一种用于高光谱图像分类的空频联合特征提取器

Invariant Attribute Profiles: A Spatial-Frequency Joint Feature Extractor for Hyperspectral Image Classification

German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；Beijing Institute of Technology（北京理工大学）；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；INRIA（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立高等物理、数学与信息学院）

到目前为止，已经开发了大量的先进技术来增强和提取高光谱图像处理和分析中的空间语义信息。然而，局部语义变化，如场景组成，对象之间的相对位置，由照明，大气影响，和材料混合引起的光谱变化，在建模空间信息中较少被研究。因此，从空间上不同的场景或位置识别相同的材料可能是困难的。在本文中，我们提出了一种解决方案，以解决这个问题，通过本地提取不变的功能，从高光谱图像（HSI）在空间和频率域，使用一种方法称为不变属性配置文件（IAP）。IAP通过利用HSI上的各向同性滤波器组或卷积核和空间聚合技术（例如，超像素分割）。此外，它们对不变行为（例如，移位、旋转）。这产生了一个组合表示的空间频率不变的功能与应用程序HSI分类。在三个有前途的高光谱数据集（Houston 2013和Houston 2018）上进行的大量实验表明，与几种最先进的轮廓相关技术相比，所提出的IAP方法的优越性和有效性。这些代码可从以下网站获得：https://sites.google.com/view/danfeng-hong/data-code。

2019-12-18cs.CV

再生核Hilbert空间嵌入的路径积分控制

Path Integral Control by Reproducing Kernel Hilbert Space Embedding

School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）；FU Berlin（柏林自由大学）

本文将随机最优控制问题的路径积分形式嵌入再生核Hilbert空间。使用一致的，基于样本的嵌入估计导致一个无模型的，非参数的方法来计算控制问题的近似解。这种提法承认一个分解的问题成一个不变的和任务相关的组件。因此，与该领域中先前的基于样本的方法相比，我们更有效地利用了样本数据，例如，通过允许跨任务重复使用样本。测试问题的数值例子，说明了样本效率，提供。

2012-08-13cs.LGstat.ML

作为学习核嵌入的统计最优传输

Statistical Optimal Transport posed as Learning Kernel Embedding

Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）；Microsoft IDC（微软IDC）

统计最优运输（OT）的目标是仅使用来自给定源和目标边际分布的样本来一致地估计最优运输计划/地图。这项工作采取了新的方法，提出统计OT的学习交通计划的核心均值嵌入基于样本的边缘嵌入的估计。建议的估计控制过拟合采用最大均值差异的正则化，这是互补的$ϕ$ -发散（熵）的正则化流行采用现有的估计。一个关键的结果是，在非常温和的条件下，$ε$ -最佳的恢复的运输计划以及基于重心投影的运输地图是可能的样本的复杂性是完全无量纲的。此外，核均值嵌入中的隐式平滑实现了样本外估计。一个适当的表示定理证明导致核化凸公式的估计，然后可以潜在地用于执行OT，即使在非标准域。实证结果表明，所提出的方法的有效性。

2020-11-10cs.LGstat.ML

基于中心模板预训练的多尺度卷积Transformer高光谱图像分类

Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classification

高光谱图像（HSI）不仅具有广阔的宏观视场，而且包含丰富的光谱信息，通过光谱信息可以识别地表物体的类型，是高光谱图像相关研究的主要应用之一，近年来提出了越来越多的深度学习方法，其中最有影响力的是卷积神经网络（CNN）。然而，基于CNN的方法难以捕捉长距离依赖关系，并且需要大量的标记数据进行模型训练，而且HSI分类领域的自监督训练方法大多基于输入样本的重构，难以实现对未标记样本的有效利用。针对CNN网络的不足，本文提出了一种新的多尺度卷积嵌入模块，用于HSI中实现空间-光谱信息的有效提取，并与Transformer网络更好地结合;为了更有效地利用未标记数据，本文提出了一种新的自监督预任务。与Mask autoencoder类似，但我们的预训练方法只在编码器中屏蔽中心像素对应的token，并将剩余的token输入解码器重建中心像素的光谱信息，这样的预任务可以更好地建模中心特征和域特征之间的关系，获得更稳定的训练结果。

2022-03-21cs.CV

动态三维KAN卷积与自适应网格优化用于高光谱图像分类

Dynamic 3D KAN Convolution with Adaptive Grid Optimization for Hyperspectral Image Classification

iFLYTEK；Aegon THTF

针对高光谱图像分类中的高维、稀疏和冗余问题，提出基于改进3D-DenseNet的KANet，利用3D KAN卷积和自适应网格更新捕获谱-空非线性关系，在IN、UP和KSC数据集上优于主流方法。

2025-04-21cs.CV

论嵌入量子核的表达能力

On the expressivity of embedding quantum kernels

Freie Universität Berlin（柏林自由大学）；Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Helmholtz-Zentrum Berlin für Materialien und Energie（亥姆霍兹柏林材料与能源研究中心）；Universiteit Leiden（莱顿大学）；LIACS, Universiteit Leiden（莱顿大学高级计算机科学研究所）

本文研究嵌入量子核的表达能力，证明任意核函数都可由量子特征态内积表示，并利用随机 Fourier 特征说明平移不变核与组合核可由高效嵌入量子核通用实现。

2024-04-09cs.LGquant-phstat.ML

分布的核均值嵌入：综述及展望

Kernel Mean Embedding of Distributions: A Review and Beyond

Mahidol University（玛希隆大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Institute of Statistical Mathematics（统计数学研究所）；Pennsylvania State University（宾夕法尼亚州立大学）

分布的希尔伯特空间嵌入--简而言之，核均值嵌入--最近已经成为机器学习和推理的强大工具。这个框架背后的基本思想是将分布映射到一个再生核希尔伯特空间（RKHS），其中整个核方法库可以扩展到概率测度。它可以被看作是支持向量机（SVM）和其他核方法共同的原始“特征图”的推广。虽然最初与后者密切相关，但它同时在从内核机器和概率建模到统计推断，因果发现和深度学习的领域中找到了应用。本次调查的目的是全面回顾现有的工作和最新进展，在这一研究领域，并讨论最具挑战性的问题和开放的问题，可能会导致新的研究方向。该调查首先简要介绍了RKHS和正定内核，形成了这次调查的骨干，其次是一个彻底的讨论希尔伯特空间嵌入的边缘分布，理论保证，并审查其应用。分布的嵌入使我们能够将RKHS方法应用于概率测度，这促使了广泛的应用，如核双样本测试，独立测试和分布数据的学习。接下来，我们讨论了条件分布的Hilbert空间嵌入，给出了理论见解，并回顾了一些应用。条件均值嵌入使我们能够以非参数的方式执行求和，乘积和贝叶斯规则-这些规则在图形模型，概率推理和强化学习中无处不在。然后，我们讨论这个框架和其他相关领域之间的关系。最后，我们对未来的研究方向提出了一些建议。

2020-12-13cs.LGstat.ML

DiffFormer：用于高光谱图像分类的差分空谱Transformer

DiffFormer: a Differential Spatial-Spectral Transformer for Hyperspectral Image Classification

University of Messina（墨西拿大学）；Innopolis University（因诺波利斯大学）；University of Hull（赫尔大学）；University of Sannio（萨尼奥大学）

针对高光谱图像分类的光谱冗余和空间不连续性问题，提出集成差分多头自注意力机制与空谱标记化的DiffFormer框架，在基准数据集上的实验表明其在精度、效率和泛化性上优于现有方法，且具备大规模应用潜力。

2024-12-23cs.CV

用于鲁棒高光谱图像分类的标签语义

Label Semantics for Robust Hyperspectral Image Classification

Department of Electrical and Computer Engineering, North South University（电气与计算机工程系，北南大学）；University of Doha for Science and Technology（科学与技术大学）

提出S3FN，利用LLM生成类别文本描述并嵌入为标签语义，融合光谱-空间数据，在三个HSI基准上显著提升分类性能。

2025-10-08cs.AIcs.CVcs.LG

基于|D|维稀疏地标嵌入的非CND距离度量通用核框架

A General Kernel Framework for Non-CND Distance Measures Using |D|-Dimensional Sparse Landmark Embeddings

Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）

针对核方法需CND距离的限制，提出稀疏地标嵌入核，通过紧支撑凸包嵌入任意距离为PSD核，理论保证并实验超越基线。

2026-10-21cs.LGmath.PRstat.ML

非负约束联合协同表示与联合字典用于高光谱异常检测

Nonnegative-Constrained Joint Collaborative Representation with Union Dictionary for Hyperspectral Anomaly Detection

Institute of Advanced Research in Artificial Intelligence (IARAI)（高级人工智能研究所（IARAI））；Helmholtz-Zentrum Dresden-Rossendorf（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology（亥姆霍兹弗赖贝格资源技术研究所）

针对高光谱异常检测中背景特征难获取和计算耗时问题，提出非负约束联合协同表示模型，利用联合字典和约束优化，在四个数据集上取得优于现有方法的性能。

2022-10-09cs.CV

超光谱图像分类的动态记忆变换器

Dynamic Memory Transformer for Hyperspectral Image Classification

SDAIA-KFUPM, Joint Research Center for Artificial Intelligence (JRCAI), King Fahd University of Petroleum and Minerals（SDAIA-KFUPM联合人工智能研究中心（JRCAI）、国王法赫德石油矿物大学）

本文提出MemFormer，一种轻量级变换器架构，通过动态记忆增强注意力机制和空间-光谱位置嵌入，提升超光谱图像分类的效率和性能，实验表明其在印度pine等数据集上达到高准确率。

2026-03-17cs.CV

联合嵌入核机制的自监督学习

Joint Embedding Self-Supervised Learning in the Kernel Regime

MIT（麻省理工学院）；Meta AI, FAIR（元人工智能 基础人工智能研究团队）；Turing Inc.（图灵公司）；NYU（纽约大学）

自监督学习（SSL）的基本目标是生成有用的数据表示，而无需访问用于对数据进行分类的任何标签。SSL中的现代方法基于样本之间已知或构建的关系形成表示，在此任务中特别有效。在这里，我们的目标是扩展这个框架，将算法的内核方法的基础上，嵌入构造的线性映射作用于内核的特征空间。在这个内核政权，我们推导出的方法来找到对比和非对比损失函数的输出表示的最佳形式。该过程产生具有表示为诱导核的内积的新表示空间，诱导核通常使通过核空间中的增广而相关的点相关，并且使点去相关。我们在小数据集上分析我们的内核模型，以识别自监督学习算法的共同特征，并从理论上了解它们在下游任务上的性能。

2022-09-29cs.AIcs.LGstat.ML

核分位数嵌入及相关概率度量

Kernel Quantile Embeddings and Associated Probability Metrics

University College London（伦敦大学学院）；Nanyang Technological University（南洋理工大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）

本文提出核分位数嵌入（KQEs）构建概率度量，在更弱核条件下成立，恢复核化切片Wasserstein距离，近线性估计，假设检验中媲美MMD。

2025-05-26cs.LGmath.STstat.ML

测度的普适性、特征核与RKHS嵌入

Universality, Characteristic Kernels and RKHS Embedding of Measures

最近已经提出了用于概率测度的希尔伯特空间嵌入，其中任何概率测度被表示为再生核希尔伯特空间（RKHS）中的平均元素。这样的嵌入已经在同质性测试、独立性测试、降维等中得到应用，要求再现核是特征性的，即，嵌入是单射的。在本文中，我们推广这种嵌入有限签署Borel措施，其中任何有限签署Borel措施表示为一个平均元素的RKHS。我们表明，建议的嵌入是单射的当且仅当内核是普遍的。因此，这提供了通用内核的新特征，该通用内核是在通过基于内核的分类/回归算法实现贝叶斯风险的背景下提出的。通过利用这种关系之间的普遍性和嵌入有限签署Borel措施到RKHS，我们建立了通用和特征核之间的关系。

2010-03-03math.STstat.MLstat.TH

MSHCNet：基于混合统计量的多流混合卷积网络及其在高光谱图像分类中的应用

MSHCNet: Multi-Stream Hybridized Convolutional Networks with Mixed Statistics in Euclidean/Non-Euclidean Spaces and Its Application to Hyperspectral Image Classification

Jiangsu Ocean University（江苏海洋大学）；Xuzhou Medical University（徐州医科大学）

众所周知，高光谱图像（HSI）包含丰富的空间-光谱背景信息，如何利用动态神经网络有效地结合光谱和空间信息进行HSI分类已成为新的研究热点。与具有方形核的CNN相比，GCN表现出令人兴奋的潜力来建模空间上下文结构，并对任意不规则的图像区域进行灵活的卷积。然而，目前的GCN只使用一阶谱空间签名会导致边界模糊和孤立的错误分类。为了解决这些问题，我们首先设计了基于图的二阶池（GSOP）操作，以获得上下文节点的信息，在非欧空间的GCN。此外，我们提出了一种新的多流混合卷积网络（MSHCNet），在欧几里德/非欧几里德空间中结合一阶和二阶统计量来学习和融合多视图互补信息以分割HSI。具体来说，我们的MSHCNet采用了四个并行流，其中G-流，利用非欧空间中相邻土地覆盖之间的一阶图的不规则相关性; C-流，采用卷积算子学习欧空间中规则的空间-光谱特征; N-流，结合一阶和二阶特征学习欧空间中具有代表性和区分性的规则空间-光谱特征; S流，使用GSOP捕获边界相关性并从非欧几里德空间的图中的所有节点获得图表示。此外，这些特征表示从四个不同的流学习融合，集成多视图的互补信息HSI分类。最后，我们在三个高光谱数据集上评估了我们提出的MSHCNet，实验结果表明，我们的方法显着优于最先进的八种方法。

2021-10-07cs.AIcs.CV

核嵌入与测度分离现象

Kernel Embeddings and the Separation of Measure Phenomenon

Departement Mathematik, ETH Zürich（苏黎世联邦理工学院数学系）

本文证明核协方差嵌入在信息论上能完美区分不同连续概率分布，通过将测度相等性问题转化为高斯测度的奇异性和分离性问题，揭示了核方法在高维领域中的有效性机制。

2026-05-13cs.LGmath.STstat.ML

基于过渡流形核嵌入的复杂亚稳系统的逼近性约简

Dimensionality Reduction of Complex Metastable Systems via Kernel Embeddings of Transition Manifolds

提出了一种新的基于核的机器学习算法，用于识别高维多尺度随机系统有效动力学的低维几何。最近，作者开发了一个数学框架，用于计算此类系统的最佳反应坐标，该框架是基于学习某个函数空间中的低维过渡流形的参数化。在这篇文章中，我们通过在再生核希尔伯特空间中嵌入和学习这个过渡流形来增强这种方法，利用核嵌入的有利性质。在对核的温和假设下，流形结构在嵌入下被保持，并且可以导出失真界。与以前的参数化方法相比，这导致更鲁棒和更有效的算法。

2020-02-03math.DSstat.ML

核均值嵌入的方差感知估计

Variance-Aware Estimation of Kernel Mean Embedding

Waseda University（早稻田大学）；ESSEC Business School（埃塞克商学院）

针对核均值嵌入（KME）的收敛速率问题，提出利用再生核希尔伯特空间方差信息加速收敛的方法，即使方差信息未知也可从数据中高效估计，还将结果扩展至平稳混合序列，在假设检验等场景验证效果。

2025-04-16cs.LGmath.STstat.ML

使用RKHS嵌入的有限集上的核及其在贝叶斯（组合）优化中的应用

Kernels over Sets of Finite Sets using RKHS Embeddings, with Application to Bayesian (Combinatorial) Optimization

Mahidol University（玛希隆大学）；Idiap Research Institute（Idiap研究所）；University of Bern（伯尔尼大学）；Centre of Excellence in Mathematics（数学卓越中心）

我们专注于集值输入的核方法及其在贝叶斯集优化，特别是组合优化中的应用。我们研究了两类依赖于再生核希尔伯特空间嵌入的集合核，即最近在贝叶斯集合优化中考虑的“双和”（DS）核，以及在这里引入的一类称为“深嵌入”（DE）核，其基本上包括在希尔伯特空间上应用径向核，该径向核是由另一个核（如DS核）引起的正则距离。我们建立特别是，虽然DS内核通常遭受缺乏严格的正定性，巨大的子类DE内核建立在DS内核拥有这个属性，从而使组合优化，而不需要引入抖动参数。关于考虑内核的理论结果的证明补充了一些关于超参数拟合的实用性。我们还证明了我们的方法在预测和优化任务的适用性，依靠玩具的例子和两个测试案例，分别从机械工程和水文地质。实验结果突出了所考虑的方法的适用性和比较的优点，同时在预测和序列设计与设置输入打开新的视角。

2020-03-10cs.LGmath.STstat.AP

核化累积量：超越核均值嵌入

Kernelized Cumulants: Beyond Kernel Mean Embeddings

University of Oxford（牛津大学）；London School of Economics（伦敦政治经济学院）

本文将累积量推广到再生核希尔伯特空间，提出核化累积量作为通用统计量，并证明其在保持计算复杂度的同时超越一阶核均值嵌入的优势。

2023-10-29cs.ITcs.LGmath.IT

面向少样本高光谱图像分类的光谱-空间自监督学习

Spectral-Spatial Self-Supervised Learning for Few-Shot Hyperspectral Image Classification

Beijing Institute of Technology（北京理工大学）

针对高光谱图像少样本分类标注稀缺、现有方法空间适配性不足且缺光谱先验的问题，提出S4L-FSC方法，通过异质数据集空间预训练、同质数据集光谱预训练结合少样本学习，提升分类性能，经四数据集验证有效且优越。

2025-05-20cs.CV

核广义函数的嵌入：泛核、特征核和核广义函数分布

Kernel Distribution Embeddings: Universal Kernels, Characteristic Kernels and Kernel Metrics on Distributions

核均值嵌入最近引起了机器学习社区的关注。他们将测度$μ$从某个集合$M$映射到具有核$k$的再生核希尔伯特空间（RKHS）中的函数。两个映射度量的RKHS距离是$M$上的半度量$d_k$。我们研究三个问题。(I)对于给定的内核，可以嵌入哪些集合$M$？(II)什么时候嵌入在$M$上是单射的（在这种情况下$d_k$是一个度量）？(III)与$M$上的其他拓扑相比，$d_k$诱导的拓扑如何？现有的机器学习文献已经在$M$是有限正则Borel测度（的子集）的情况下解决了这些问题。我们统一，改进和推广这些结果。我们的方法自然会导致（Schwartz-）分布的连续甚至可能是内射嵌入，即，一般的措施，但读者可以自由地只关注措施。特别是，我们systematives和扩展各种（部分已知）之间的不同概念的通用，特征和严格正定核的等价性，并表明，在一个潜在的局部紧Hausdorff空间，$d_k$度量概率测度的弱收敛当且仅当$k$是连续的和特征。

2019-12-17math.FAmath.PRstat.ML

LGEST: 动态空间-光谱专家路由用于超分辨率图像分类

LGEST: Dynamic Spatial-Spectral Expert Routing for Hyperspectral Image Classification

Information Hub, The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学信息中心（广州））；Faculty of Geographical Science, Beijing Normal University（北京师范大学地理学部）；School of Electronic and Communication Engineering, Guangzhou University（广州大学电子与通信工程学院）

本文提出LGEST框架，通过DSAE生成判别性嵌入，结合CIEM-FPN动态融合多尺度特征，利用LGES专家系统提升超分辨率图像分类性能。

2026-03-25cs.CV

高光谱数据的空间-光谱流形嵌入

Spatial-Spectral Manifold Embedding of Hyperspectral Data

German Aerospace Center (DLR)（德国航空航天中心）；Univ. Grenoble Alpes（格勒诺布尔大学）；Technical University of Munich (TUM)（慕尼黑工业大学）；Xi’an Jiaotong University（西安交通大学）；Beijing Institute of Technology (BIT)（北京理工大学）；INRIA（法国国家信息与自动化研究所）

近年来，高光谱成像，又称成像光谱学，越来越受到地球科学和遥感界的关注。高光谱图像的特点是具有非常丰富的光谱信息，这使我们能够更容易地识别位于地球表面的感兴趣的材料。然而，我们不得不承认，高光谱维数不可避免地带来了一些缺点，如昂贵的数据存储和传输，信息冗余等。因此，为了有效地降低光谱维数，学习更具鉴别力的光谱低维嵌入，本文提出了一种新的高光谱嵌入方法，同时考虑空间和光谱信息，空间谱流形嵌入（SSME）除了逐像素光谱嵌入方法之外，SSME以基于块的方式联合对空间和光谱信息进行建模。SSME不仅利用光谱特征间相似性度量得到的邻接矩阵学习光谱嵌入，而且在学习嵌入过程中通过共享相同的权值（或边）对高光谱场景中目标像素的空间邻居进行建模。分类探索作为一种潜在的策略，定量评估学习嵌入表示的性能。分类探索作为一个潜在的应用定量评估这些高光谱嵌入算法的性能。在广泛使用的高光谱数据集上进行的大量实验表明，与几种最先进的嵌入方法相比，所提出的SSME的优越性和有效性。

2020-07-17cs.CV

DSXFormer: 双池化光谱挤压-扩展与动态上下文注意力变换器用于超光谱图像分类

DSXFormer: Dual-Pooling Spectral Squeeze-Expansion and Dynamic Context Attention Transformer for Hyperspectral Image Classification

School of Computing, Gachon University（加荣大学计算机学院）；School of Computer Science, Chengdu University of Technology（成都理工大学计算机学院）；Department of Information Technology, College of Computer, Qassim University（卡西姆大学计算机学院信息科技系）；Kore University of Enna（恩纳大学）

DSXFormer通过双池化光谱挤压-扩展和动态上下文注意力机制，提升超光谱图像分类的光谱可区分性和空间上下文表示能力。

2026-02-02cs.AIcs.CV

基于核嵌入和权因子的持久图核方法

Kernel method for persistence diagrams via kernel embedding and weight factor

拓扑数据分析是一种新兴的数学概念，用于表征多尺度数据中的形状。在该领域中，持久性图被广泛用作输入数据的描述符，并且可以区分鲁棒和噪声拓扑属性。目前，迫切需要在持久性图上开发一个统计框架来处理实际数据。提出了一种持久图的核方法。我们的方法的一个理论贡献是，建议的内核允许一个控制持久性的效果，如果必要的话，嘈杂的拓扑属性可以在数据分析中打折。此外，该方法提供了一种快速近似技术。将该方法应用于包括物理实际数据在内的几个问题，结果表明，该方法在持久性图上优于现有的核方法。

2017-06-12math.ATphysics.data-anstat.ML