LiteDepthwiseNet: An Extreme Lightweight Network for Hyperspectral Image Classification
Zhejiang Gongshang University（浙江工商大学）；Hubei University（湖北大学）；Ningbo University（宁波大学）
深度学习方法在高光谱图像（HSI）分类中显示出相当大的潜力，与传统方法相比，它可以实现高精度。然而，它们通常需要大量的训练样本，并且具有大量的参数和高计算开销。为了解决这些问题，本文提出了一种新的网络架构，LiteDepthwiseNet，HSI分类。LiteDepthwiseNet基于3D深度卷积，可以将标准卷积分解为深度卷积和逐点卷积，可以用最少的参数实现高分类性能。此外，我们删除了原始3D深度卷积中的ReLU层和Batch Normalization层，这显着改善了模型在小规模数据集上的过拟合现象。此外，焦点损失作为损失函数，以提高模型对困难样本和不平衡数据的关注度，其训练性能明显优于交叉熵损失或平衡交叉熵损失。在三个基准高光谱数据集上的实验结果表明，LiteDepthwiseNet以非常少的参数和较低的计算成本实现了最先进的性能。
2020-10-15 cs.CV eess.IV
Extreme Sparse Multinomial Logistic Regression: A Fast and Robust Framework for Hyperspectral Image Classification
Guangdong University of Technology（广东工业大学）；University of Strathclyde（思克莱德大学）
虽然稀疏多项逻辑回归（SMLR）为稀疏分类提供了一个有用的工具，但它在处理高维特征和手动设置初始回归值方面效率低下。这极大地限制了它在高光谱图像（HSI）分类中的应用。为了解决这两个缺点，一个极端稀疏多项式逻辑回归（ESMLR）提出了有效的分类HSI。首先，将HSI数据集投影到具有随机生成的权重和偏差的新特征空间。其次，利用拉格朗日乘子法和对偶原理建立优化模型，通过最小化训练误差和回归值，自动确定SMLR的初始回归值。此外，扩展的多属性配置文件（EMAP）用于提取光谱和空间特征。提出了一种组合线性多特征学习（MFL）方法，以进一步增强ESMLR和EMAP提取的特征。最后，通过变量分裂和增广拉格朗日（LORSAL）的逻辑回归采用在所提出的框架，以减少计算时间。实验进行了两个著名的HSI数据集，即印度松树数据集和帕维亚大学数据集，这表明所提出的ESMLR框架的快速和强大的性能。
2017-09-27 cs.CV
Using Low-rank Representation of Abundance Maps and Nonnegative Tensor Factorization for Hyperspectral Nonlinear Unmixing
Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院数字地球科学重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Hong Kong Baptist University（香港浸会大学）；Dalian Maritime University（大连海事大学）；Université 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（格勒诺布尔理工学院）；LJK（让·昆兹曼实验室）
由于高光谱图像立方体可以自然地表示为三阶张量，能够很好地保留图像中的空间信息，因此基于张量的方法被广泛研究用于求解高光谱成像中的逆问题。本文将线性张量方法推广到非线性张量方法，提出了一种求解广义双线性模型（GBM）的非线性低秩张量分解算法。具体来说，GBM的线性和非线性部分都可以表示为张量。此外，丰度图和非线性相互作用丰度图的低秩结构被利用，通过最小化它们的核范数，从而充分利用HSI中的高空间相关性。合成和实际数据的实验表明，低秩的丰度图和非线性相互作用丰度图利用我们的方法可以提高非线性分解的性能。为了重现性，这项工作的MATLAB演示将在https://github.com/LinaZhuang上提供。
2021-03-30 cs.CV eess.IV
Sparse Subspace Clustering Friendly Deep Dictionary Learning for Hyperspectral Image Classification
Delhi Technical University（德里技术大学）；Indraprastha Institute of Information Technology Delhi（德里因陀罗普拉斯塔信息技术学院）
子空间聚类技术在高光谱图像分割中显示出良好的应用前景。子空间聚类的基本假设是属于不同聚类/段的样本位于可分离的子空间中。如果这个条件不成立呢？我们推测，即使该条件在原始空间中不成立，数据也可以被非线性地变换到一个空间，在该空间中它将可分离成子空间。在这项工作中，我们提出了一种基于深度字典学习（Deep Dictionary Learning，简称DCL）原则的转换。特别是，我们将稀疏子空间聚类（SSC）的损失，在numerical制定。在这里，非线性变换数据，使得变换后的表示（数据的）可分离为子空间。我们表明，所提出的配方提高了最先进的深度学习技术在高光谱图像聚类。
2021-11-27 cs.CV cs.LG eess.IV
Technical Report: Band selection for nonlinear unmixing of hyperspectral images as a maximal clique problem
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；University of Nice Sophia-Antipolis（尼斯索菲亚-安蒂波利斯大学）；Lagrange Laboratory (CNRS, OCA)（拉格朗日实验室（法国国家科学研究中心、蔚蓝海岸天文台））；INRIA Sophia-Antipolis（法国国家信息与自动化研究所索菲亚-安蒂波利斯中心）
基于核的非线性混合模型已被应用于高光谱图像的混合光谱信息的解混时，发生在场景中的混合类型是太复杂或未知的。然而，这样的方法通常需要大小等于谱带数目的矩阵的求逆。减少这些方法的计算负荷在大规模应用中仍然是一个挑战。提出了一种再生核希尔伯特空间（RKHS）中的集中式频带选择方法。它基于相干性准则，该准则设置了表征解混模型的基核函数之间的相关性所允许的最大值。我们表明，所提出的BS方法是相当于解决最大团问题（MCP），即寻找最大的完全子图的图。此外，我们还设计了一种使用线性独立基的相干界来选择相干阈值和高斯核带宽的策略。仿真结果表明了该方法的有效性。
2016-09-19 cs.CV
Semi-supervised Learning with Graphs: Covariance Based Superpixels For Hyperspectral Image Classification
University of Cambridge（剑桥大学）
提出了一种基于图的半监督高光谱图像分类框架。我们首先介绍了一种新的超像素算法的基础上的光谱协方差矩阵表示的像素，以提供一个更好的表示我们的数据。然后，我们在进行分类之前，根据仔细考虑的特征向量构建一个超像素图。通过使用两个基准数据集的一组实验结果，我们证明了我们的方法优于三种最先进的分类框架，特别是当使用极少量的标记数据时。
2019-05-14 cs.CV cs.LG stat.ML
BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image
China University of Geosciences（中国地质大学）
高光谱图像由数百个连续的窄带组成，具有很高的光谱相关性，这将导致所谓的休斯现象和处理的高计算成本。频带选择已被证明是有效的，在避免这样的问题，通过删除多余的频带。然而，许多现有的波段选择方法单独估计每个波段的重要性，不能充分考虑光谱波段之间的非线性和全局相互作用。在本文中，通过假设一个完整的HSI可以从它的几个信息带重建，我们提出了一个通用的波段选择框架，波段选择网络（称为BS-Net）。该框架由一个波段注意模块（BAM）和一个重建网络（RecNet）组成，前者旨在明确地对光谱波段之间的非线性相互依赖关系进行建模，后者用于从学习到的信息波段中恢复原始HSI立方体，从而形成灵活的架构。由此产生的框架是端到端可训练的，使得从头开始训练以及与现有网络结合变得更加容易。我们分别使用全连接网络（BS-Net-FC）和卷积神经网络（BS-Net-Conv）实现了两种BS-Net，并将结果与现有的波段选择方法进行了比较，结果表明，所提出的BS-Net能够准确地选择具有较少冗余信息的波段子集，并在可接受的时间成本下实现了显著更好的分类性能。
2019-04-17 cs.CV cs.LG
Sparse Representation Based Augmented Multinomial Logistic Extreme Learning Machine with Weighted Composite Features for Spectral Spatial Hyperspectral Image Classification
Guangdong University of Technology（广东工业大学）；University of Strathclyde（思克莱德大学）
尽管极限学习机（ELM）已经成功地应用于许多模式识别问题，但由于两个主要缺点，它在高光谱图像（HSI）分类中未能提供足够好的结果。首先是由于ELM的随机权重和偏差，这可能会导致不适定问题。二是缺乏分类的空间信息。为了解决这两个问题，本文提出了一种基于ELM的HSI光谱-空间分类框架，分别采用稀疏表示概率模型和加权复合特征（WCF）来获得最优输出权重和提取空间特征。首先，ELM表示为凹对数似然函数下的统计建模使用最大后验概率（MAP）。其次，将稀疏表示应用于Laplacian算子，有效地确定具有唯一最大值的对数后验，以解决ELM的不适定问题。变量分裂和增广拉格朗日函数的使用进一步降低了算法的计算复杂度，它已被证明是一个更有效的方法来提高速度。第三，空间信息的提取使用加权复合位点特征（WCF），以构建光谱-空间分类框架。此外，所提出的方法的下限推导出了严格的数学证明。两个公开的HSI数据集上的实验结果表明，所提出的方法优于ELM和一些国家的最先进的方法。
2017-10-14 cs.CV
Graph Embedding via High Dimensional Model Representation for Hyperspectral Images
Istanbul Technical University（伊斯坦布尔技术大学）；Universitat de València（瓦伦西亚大学）
学习遥感图像的流形结构对于建模和理解过程至关重要，并且将高维封装在一组减少的信息特征中用于随后的分类，回归或解混。流形学习方法在处理高光谱图像（HSI）分析方面表现出优异的性能，但除非专门设计，否则它们无法提供适用于样本外数据的显式嵌入映射。处理这个问题的一个常见假设是，高维输入空间和（通常是低维的）潜在空间之间的变换是线性的。这是一个特别强的假设，特别是在处理高光谱图像时，由于众所周知的数据的非线性性质。为了解决这个问题，提出了一种基于高维模型表示（HDMR）的流形学习方法，该方法能够提出一个非线性嵌入函数来将样本外的样本投影到潜在空间中。所提出的方法相比，流形学习方法及其线性同行，并取得了很好的性能方面的一组代表性的高光谱图像的分类精度。
2021-11-29 cs.CV cs.LG eess.IV
Band Selection from Hyperspectral Images Using Attention-based Convolutional Neural Networks
Silesian University of Technology（西里西亚工业大学）；KP Labs（KP实验室）
本文介绍了新的注意力为基础的卷积神经网络选择波段的高光谱图像。所提出的方法在不同深度处重复使用卷积激活，在门控机制的帮助下识别频谱中信息量最大的区域。我们的注意力技术是模块化的，易于实现，并且可以使用梯度下降进行端到端的无缝训练。我们严格的实验表明，配备了注意力机制的深度模型可以提供高质量的分类，并反复识别训练数据中的重要波段，从而可以创建保留最有意义特征的精细且极其紧凑的集合。
2020-01-09 cs.CV cs.LG stat.ML
Manifold Learning for Hyperspectral Images
Detection Technology Plc（检测技术有限公司）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔研究所）；LJK（实验室）
针对传统特征提取方法难以充分表征X射线透射多能图像、限制神经网络决策性能的问题，提出基于UMAP构建邻接图近似数据集拓扑的流形学习方法，可捕捉数据非线性关联，保留全局结构、增强特征可分性，提升高光谱图像分类的准确性与鲁棒性。
2025-11-18 cs.CV cs.LG
Fast Hyperspectral Image Denoising and Inpainting Based on Low-Rank and Sparse Representations
Instituto de Telecomunicações（电信研究院）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）
本文介绍了两种非常快速和有竞争力的高光谱图像（HSI）恢复算法：快速高光谱去噪（FastHyDe），一种能够处理高斯和泊松噪声的去噪算法，和快速高光谱修复（FastHyIn），一种修复算法来恢复HSI，其中一些已知波段中的已知像素的一些观测值丢失。FastHyDe和FastHyIn充分利用了与其低秩和自相似特性相关的非常紧凑和稀疏的HSI表示。在一系列模拟和真实数据的实验中，新引入的FastHyDe和FastHyIn与最先进的方法竞争，具有更低的计算复杂度。
2021-03-11 cs.CV eess.IV
Self-supervised spectral matching network for hyperspectral target detection
Northwestern Polytechnical University（西北工业大学）
高光谱目标检测是一个像素级的识别问题。在给定少量目标样本的情况下，从整幅高光谱图像中识别出飞机、车辆、舰船等特定目标像素。一般来说，背景像素占图像的大部分并且分布复杂。因此，数据集的注释很弱，而且非常不平衡。为了解决这些问题，光谱混合基于自监督范式设计的高光谱数据，以获得一个有效的特征表示。该模型采用基于光谱相似性的匹配网络框架。为了学习更多的区别性特征，采用基于对的损失，以最小化目标像素之间的距离，同时最大化目标和背景之间的距离。此外，通过背景分离步骤，复杂的未标记的光谱被下采样到不同的子类别。在三个真实高光谱数据集上的实验结果表明，与现有的检测器相比，该框架取得了更好的效果。
2021-05-10 cs.CV
H2TF for Hyperspectral Image Denoising: Where Hierarchical Nonlinear Transform Meets Hierarchical Matrix Factorization
University of Electronic Science and Technology of China（电子科技大学）
本文提出H2TF张量分解方法，结合分层非线性变换与分层矩阵分解，用于高光谱图像去噪，实验表明其性能优于现有最先进方法。
2023-04-21 cs.CV
Developing a machine learning framework for estimating soil moisture with VNIR hyperspectral data
Institute of Photogrammetry and Remote Sensing, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院摄影测量与遥感研究所）
在本文中，我们探讨了潜在的估计土壤水分含量的基础上，VNIR高光谱数据结合长波红外数据。从多传感器现场活动的测量代表的基准数据集，其中包含测量的高光谱，长波红外，和土壤水分数据进行草地网站。我们介绍了一个回归框架，包括三个步骤的特征选择，预处理和精心选择的回归模型。后者主要是有监督的机器学习模型。一个例外是结合了无监督学习和监督学习的自组织映射。我们分析了不同的预处理方法对回归结果的影响。在所有回归模型中，没有预处理的极端随机树模型提供了最好的估计性能。我们的研究结果揭示了各自的回归框架与VNIR高光谱数据相结合，估计土壤水分在现实世界条件下测量的潜力。总之，本文的研究结果为不同研究方向的进一步改进提供了依据。
2018-07-12 cs.CV cs.LG stat.ML
DTU-Net: A Multi-Scale Dilated Transformer Network for Nonlinear Hyperspectral Unmixing
Tianjin University（天津大学）；Heriot-Watt University（赫瑞瓦特大学）；CNRS（法国国家科学研究中心）；OCA（蔚蓝海岸天文台）
提出DTU-Net，一种用于非线性高光谱解混的多尺度膨胀Transformer网络，通过双分支编码器融合多尺度空间与光谱特征，并结合PPNMM建模提升了解混精度与可解释性。
2025-03-06 cs.CV eess.IV
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。
2021-03-27 cs.CV eess.IV
Nonlinear Hyperspectral Unmixing based on Multilinear Mixing Model using Convolutional Autoencoders
Tianjin University（天津大学）；Northwestern Polytechnical University（西北工业大学）
无监督光谱分解包括将每个观察到的像素表示为几种称为端元的纯物质及其相应丰度分数的组合。除了线性假设之外，还提出了各种非线性解混模型，相关的优化问题可以通过传统的优化算法或深度学习技术来解决。当前基于深度学习的非线性解混集中在基于加法、双线性的公式中的模型。通过解释反射过程中使用离散马尔可夫链，多线性混合模型（MLM）成功地占到无限阶端元之间的相互作用。然而，用神经网络来模拟传销的物理过程是一个具有挑战性的问题，迄今为止还没有人研究过。在这篇文章中，我们提出了一种新的基于自动编码器的网络，用于基于MLM的无监督解混。受益于精心设计的网络，所有模型参数{ \em即}之间的关系，端元、丰度和跃迁概率参数被明确地建模。有两种模式：MLM-1DAE仅考虑逐像素的光谱信息，而MLM-3DAE利用输入块内的光谱-空间相关性。在合成数据集和真实数据集上的实验表明，该方法的有效性，因为它实现了竞争力的性能MLM的经典解决方案。
2023-03-14 cs.CV eess.IV
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。
2026-04-02 cs.CV
Nonlinear Dynamic Field Embedding: On Hyperspectral Scene Visualization
Purdue University（普渡大学）；CSIR-Meraka Institute（CSIR-梅拉卡研究所）
图嵌入技术是表征高光谱图像光谱特征关系的有效方法。然而，这样的图像由不相交的类，由于空间的细节，往往被忽略了现有的图形计算工具。鲁棒参数估计对于计算这种图的核函数是一个挑战。找到一个相应的高质量的坐标系来映射签名关系仍然是一个开放的研究问题。我们积极回答这些挑战，首先提出了一个核函数的空间和光谱信息计算邻域图。其次，本研究利用力学的力场解释，设计一个统一的非线性图形嵌入框架。广义框架导致新的无监督多维人工场嵌入技术，依赖于对依赖的吸引力和排斥函数的简单加性假设。这些公式捕捉了通常与活生物体相关的长距离和短距离相关效应，并有助于建立模拟相互行为的算法特性，以实现降维的目的。所提出的模型的主要好处包括能够保持数据的局部拓扑结构并产生高质量的可视化，即保持不相交的有意义的邻域。作为评估的一部分，可视化，梯度场轨迹，和半监督分类实验进行多个传感器在不同类型的对象在不同的空间分辨率采集的图像场景。结果表明，所提出的嵌入框架优于各种广泛使用的方法。
2012-11-28 cs.CE cs.CV stat.ML
Improved Deep Spectral Convolution Network For Hyperspectral Unmixing With Multinomial Mixture Kernel and Endmember Uncertainty
Middle East Technical University（中东技术大学）
在这项研究中，我们提出了一种新的框架，高光谱解混使用改进的深度光谱卷积网络（DSCN++）结合端元不确定性。DSCN++用于计算高级表示，并使用多项混合模型进一步建模以估计丰度图。在重建步骤中，一个新的可训练的不确定性项的基础上的非线性神经网络模型被引入端元不确定性提供鲁棒性。为了优化多项式模型的系数和不确定项，利用Wasserstein生成对抗网络（WGAN）来提高稳定性和捕获不确定性。在真实和合成数据集上进行了实验。实验结果表明，该方法在真实数据集上获得了最佳的高光谱解混性能。
2019-10-20 cs.CV
Hyperspectral Anomaly Change Detection Based on Auto-encoder
School of Computer Science, Wuhan University（武汉大学计算机学院）
随着高光谱成像技术的发展，高光谱数据提供了丰富的光谱信息，在地质调查、植被分析、军事侦察等方面发挥着越来越重要的作用。与正常变化检测不同，高光谱异常变化检测（HACD）有助于发现多时相高光谱图像（HSI）之间那些微小但重要的异常变化。在以往的工作中，大多数经典的方法使用线性回归建立两个HSI之间的映射关系，然后从残差图像中检测异常。然而，多时间HSIs之间的真实谱差异可能是相当复杂的和非线性的，导致这些线性预测器的性能有限。在本文中，我们提出了一个基于自动编码器（ACDA）的原始HACD算法，给出了一个非线性的解决方案。该算法能够在复杂成像条件下建立有效的预测模型。在ACDA模型中，部署了两个系统的自动编码器（AE）网络来从两个方向构建两个预测器。预测器用于对背景的光谱变化进行建模，以获得另一成像条件下的预测图像。然后计算预测图像和相应的期望图像之间的均方误差（MSE）以获得损失图，其中未改变像素的光谱差异被高度抑制并且异常变化被突出显示。最后，取两个方向损失图的最小值作为最终的异常变化强度图。在公开的“Viareggio 2013”数据集上的实验结果表明了该方法的有效性和优于传统方法的性能。
2020-10-27 cs.CV eess.IV
SpecDETR: A transformer-based hyperspectral point object detection network
College of Electronic Science and Technology, National University of Defense Technology（电子科学与技术学院，国防科技大学）；Aviation University of Air Force（空军航空大学）
SpecDETR提出了一种基于变换器的超光谱点目标检测网络，通过空间-光谱协同表示方法，直接提取超光谱立方体的深层联合特征，首次在超光谱点目标检测上评估视觉目标检测网络和HTD方法的性能。
2026-01-09 cs.CV
A Semi-supervised Spatial Spectral Regularized Manifold Local Scaling Cut With HGF for Dimensionality Reduction of Hyperspectral Images
Indian Institute of Technology, Kharagpur（印度理工学院卡拉格普尔分校）
高光谱图像（HSI）包含了数百个连续光谱波段的丰富信息，使得通过细微的光谱差异对材料进行分类成为可能。然而，对这些丰富的光谱信息进行分类也面临着高维、奇异性、训练样本有限、缺乏标记数据样本、异方差性和非线性等挑战。为了解决这些问题，我们提出了一种基于半监督图的降维方法，称为“半监督空间谱正则化流形局部尺度切割”（S3RMLSC）。所提出的方法的基本思想是利用有限的标记信息从光谱和空间域以及丰富的未标记的样本，以促进分类任务，通过保留原始分布的数据。在S3RMLSC中，首先使用分层引导滤波器（HGF）来平滑HSI数据的像素，以保持空间像素的一致性。这一步之后，通过使用最大线性补丁（MLP）标准从非线性流形的线性补丁的建设。然后分别利用正则化流形局部尺度割（RMLSC）和相邻像素流形局部尺度割（NPMLSC）在光谱域和空间域上构造图像块间和图像块内的相异性矩阵。最后，我们通过优化更新的半监督空间-光谱斑块间和总斑块相异度来获得投影矩阵。所提出的DR算法的有效性与公开可用的真实世界的HSI数据集说明。
2018-11-20 cs.CV cs.LG stat.ML
3D/2D regularized CNN feature hierarchy 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（英诺波利斯大学）；University of Messina（墨西拿大学）
卷积神经网络（CNN）已被严格研究用于高光谱图像分类（HSIC），并且已知其在利用联合空间-光谱信息方面是有效的，但由于硬标签和标签上的非均匀分布而导致较低的泛化性能和学习速度。几种正则化技术已被用于克服上述问题。然而，有时模型学习非常自信地预测样本，这从泛化的角度来看并不好。因此，本文提出了一种想法，以提高泛化性能的混合CNN的HSIC使用软标签，是一个加权平均的硬标签和均匀分布在地面标签。所提出的方法有助于防止CNN变得过于自信。我们的经验表明，在提高泛化性能，标签平滑也提高了模型校准，显着提高波束搜索。几个公开可用的高光谱数据集被用来验证实验评估，揭示了改进的泛化性能，统计意义，和计算复杂性相比，国家的最先进的模型。该代码将在https://github.com/mahmad00上提供。
2021-04-25 cs.CV
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。
2025-04-21 cs.CV
Hyperspectral Imaging Technology and Transfer Learning Utilized in Identification Haploid Maize Seeds
China Agricultural University（中国农业大学）
在玉米育种过程中，玉米种子品种的正确鉴定是极其重要的。本文采用迁移学习作为深度学习的一种方法，结合高光谱成像技术建立模型。利用该模型可以从大量的玉米二倍体种子中准确识别出单倍体种子。首先利用高光谱成像技术采集玉米种子在各个波段上的信息，然后利用大规模计算机视觉数据库（Image-Net）对VGG-19网络进行预训练，建立识别模型。利用包含256个波段（862.5-1704.2nm）的种子光谱图像的模型正确识别率达到96.32%，利用包含单波段的种子光谱图像的模型正确识别率达到95.75%。实验结果表明，利用可见光图像数据库预训练的CNN模型可应用于基于近红外高光谱图像的玉米种子识别，且识别准确率较高。同时，在数据样本量较少的情况下，采用迁移学习仍能实现较高的识别率。该模型不仅满足育种识别的要求，而且大大降低了样本采集的成本。
2018-05-30 cs.CV
Hyperspectral Image Reconstruction via Combinatorial Embedding of Cross-Channel Spatio-Spectral Clues
Hong Kong Baptist University（香港浸会大学）；Institute of High Performance Computing, Agency for Science Technology and Research（科技研究局高性能计算研究所）
针对现有高光谱重建方法波段间信息挖掘不足的问题，提出组合嵌入跨通道空谱线索的CESST方法，搭配空谱注意力块与光谱融合注意力模块，实现SOTA性能。
2023-12-18 cs.AI cs.CV
Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks
Beihang University（北京航空航天大学）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；Beijing Research Institute of Uranium Geology（北京铀矿地质研究所）
高光谱图像分类（HIC）是一项重要而又具有挑战性的任务，而限制该领域算法发展的一个问题是高光谱图像的地面真值（HSI）难以获取。近年来，基于图卷积网络（GCN）的HIC方法得到了发展，有效地缓解了基于深度学习的HIC方法中标记数据的不足。为了进一步提升分类性能，在这项工作中，我们提出了一个基于图卷积网络（GCN）的HSI分类框架，该框架使用两个聚类操作来更好地利用多跳节点的相关性，并有效地减少图的大小。特别地，我们首先将具有相似光谱特征的像素聚类成超像素，并基于输入HSI的超像素构建图。然后，我们不再对这个超像素图进行卷积，而是通过修剪具有弱权重的边将其进一步划分为几个子图，以加强具有高相似性的节点的相关性。第二轮聚类还进一步减小了图的大小，从而减少了图卷积的计算负担。在三个广泛使用的基准数据集上的实验结果很好地证明了我们提出的框架的有效性。
2020-12-20 cs.CV
Few-Shot Hyperspectral Image Classification With Unknown Classes Using Multitask Deep Learning
The University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）；Wuhan University（武汉大学）
当前的高光谱图像分类假设一个预定义的分类系统是封闭和完整的，并且在看不见的数据中不存在未知的或新的类别。然而，这种假设对于现实世界来说可能过于严格。在构建分类系统时，新的类别往往被忽视。封闭的性质迫使模型在给定新样本的情况下分配标签，并且可能导致对已知土地覆盖的高估（例如，作物区）。为了解决这个问题，我们提出了一种多任务深度学习方法，该方法在可能存在未知类的开放世界（名为MDL 4 OW）中同时进行分类和重建。重建的数据与原始数据进行比较;那些未能重建的数据被认为是未知的，基于这样的假设，即由于缺乏标签，它们在潜在特征中没有很好地表示。需要定义一个阈值来分离未知和已知的类，我们提出了两种策略的基础上的极值理论的Few-Shot和多杆的情况下。所提出的方法在真实世界的高光谱图像上进行了测试;取得了最先进的结果，例如，将萨利纳斯数据的整体准确度提高了4.94%。通过考虑开放世界中未知类的存在，该方法实现了更准确的高光谱图像分类，特别是在Few-Shot背景下。
2020-09-08 cs.CV
Semi-Supervised Endmember Identification In Nonlinear Spectral Mixtures Via Semantic Representation
University of Massachusetts（马萨诸塞大学）
本文提出了一种新的高光谱解混方法，非线性混合高光谱数据使用的语义表示在半监督的方式，假设光谱参考库的可用性。现有的半监督解混算法从端元库中选择存在于每个像素处的成员;大多数这样的方法假设线性混合模型。然而，这些方法将失败的非线性混合观测光谱之间的存在。为了解决这个问题，我们开发了一个端元选择方法，使用最近提出的语义光谱表示通过非齐次隐马尔可夫链（NHMC）模型的小波变换的光谱。语义表示可以编码光谱判别功能的任何观察到的光谱，因此，我们提出的方法可以进行端元选择，而无需任何假设的混合模型。实验结果表明，在充分非线性混合的存在下，我们提出的方法优于基于字典的稀疏解混方法的基础上的线性模型。
2017-01-03 cs.CV
Looking into a Pixel by Nonlinear Unmixing -- A Generative Approach
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）
本文提出一种基于生成模型的非线性解混方法，利用双向GAN框架结合循环一致性和线性非线性混合关系，无需显式混合模型即可实现高光谱图像解混，实验表明其在不同数据集上表现稳定且具有竞争力。
2026-04-01 cs.AI cs.CV eess.IV
Deep Learning for Hyperspectral Image Classification: An Overview
Hunan University（湖南大学）；Harbin Institute of Technology（哈尔滨工业大学）；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）；University of Iceland（冰岛大学）
高光谱图像分类已成为遥感领域的研究热点。通常，高光谱数据的复杂特性使得传统机器学习方法对此类数据的准确分类具有挑战性。此外，高光谱成像通常处理所捕获的光谱信息与对应的材料之间的固有非线性关系。近年来，深度学习被认为是一种有效解决非线性问题的强大特征提取工具，并广泛应用于许多图像处理任务中。在这些成功应用的推动下，深度学习也被引入到对HSI进行分类，并表现出良好的性能。本文对基于深度学习的HSI分类文献进行了系统回顾，并比较了该主题的几种策略。具体来说，我们首先总结了传统机器学习方法无法有效克服的HSI分类的主要挑战，并介绍了深度学习处理这些问题的优势。然后，我们建立了一个框架，将相应的工作分为光谱特征网络，空间特征网络和光谱空间特征网络，以系统地回顾基于深度学习的HSI分类的最新成果。此外，考虑到遥感领域可用的训练样本通常非常有限，训练深度网络需要大量样本，我们包括一些策略来提高分类性能，这可以为该主题的未来研究提供一些指导。最后，在我们的实验中，对真实的HSI进行了几种代表性的基于深度学习的分类方法。
2019-10-26 cs.CV eess.IV
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。
2015-06-03 cs.CV
Fuzziness-based Spatial-Spectral Class Discriminant Information Preserving Active Learning 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）
传统的高光谱图像分类的主动/自/交互式学习方法（HSIC）在增加训练样本集的同时，没有考虑样本的分散性和随机性。第二，对联合频谱-空间信息进行了非常有限的研究，最后，一个次要但仍然值得一提的是停止标准，该标准没有得到社会的充分考虑。因此，这项工作提出了一种新的基于模糊的空间谱内和之间的局部和全局类判别信息保留（FLG）方法。我们首先研究了一个基于空间先验模糊的误分类样本信息。然后，我们计算类内和类间信息的总局部和全局信息，并以细粒度的方式将其公式化。然后将这些信息输入到一个判别目标函数中，对非均匀样本进行查询，消除了训练样本之间的随机性。在HSI基准数据集上的实验结果证明了FLG方法在生成式、极限学习机和稀疏多项逻辑回归（SMLR）-LORSAL分类器上的有效性。
2020-05-28 cs.CV eess.IV
Unsupervised Nonlinear Spectral Unmixing based on a Multilinear Mixing Model
University of Cambridge（剑桥大学）；Nanyang Technological University（南洋理工大学）；University of Toulouse（图卢兹大学）
在遥感界，非线性混合模型最近在高光谱图像处理中受到特别关注。本文在文献[1]的多线性混合模型的基础上，提出了一种新的非线性谱分解方法，该方法包含了无穷多个与不同端元之间相互作用有关的项。所提出的解混方法是无监督的，因为端元与丰度和其他感兴趣的参数一起估计，即，经历进一步相互作用的跃迁概率。非负性和总和为一的约束施加在丰度，而只有非负性被认为是端元。由此产生的解混问题被配制成一个约束的非线性优化问题，这是解决的块坐标下降策略，包括迭代更新的端元，丰度和转移概率。所提出的方法进行评估，并与线性解混方法的合成和真正的高光谱数据集获得的AVIRIS传感器。在这些示例中清楚地示出了使用非线性解混而不是线性解混的优点。
2016-04-14 cs.CV
Dimensionality Reduction via Regression in Hyperspectral Imagery
Universitat de València（瓦伦西亚大学）
提出了一种新的无监督回归降维方法。该算法属于可逆变换家族，通过使用曲线而不是线性特征来推广主成分分析（PCA）。DRR通过多元回归识别非线性特征，以确保减少PCA系数之间的冗余，减少分数的方差，并减少重建误差。更重要的是，与其他非线性降维方法不同，可逆性，体积保持和直接的样本外扩展使得DRR具有可解释性和易于应用。DRR的性质使学习更广泛的一类数据流形比最近提出的非线性主成分分析（NLPCA）和主多项式分析（PPA）。我们说明了表现在减少遥感数据的维数。特别是，我们解决两个常见的问题：处理非常高维的光谱信息，如在高光谱图像探测数据，和处理多光谱图像的空间光谱图像补丁。这两种设置造成共线性和不确定性问题。的功能的表达能力的评价进行评估截断误差，估计大气变量，地表土地覆盖分类误差。结果表明，DRR优于线性PCA和最近提出的基于神经网络（NLPCA）和单变量回归（PPA）的可逆扩展。
2016-01-31 cs.CV stat.ML
A laboratory-created dataset with ground-truth for hyperspectral unmixing evaluation
Northwestern Polytechnical University（西北工业大学）；University of Calgary（卡尔加里大学）
光谱解混是高光谱数据处理中的一个重要而又具有挑战性的问题。这一主题已被广泛研究，并在文献中提出了各种解混算法。然而，缺乏公开可用的数据集与真值，使得它很难评估和比较的性能，在一个定量和客观的方式去混合算法。大多数现有的工作依赖于使用数值合成数据和直观的检查结果的实际数据。为了缓解这种困境，在这项研究中，我们在我们的实验室设计了几个实验场景，包括印刷棋盘，混合石英砂，和反射与垂直板。然后通过使用我们实验室的高光谱相机对这些场景进行成像来创建数据集，提供36个混合物，超过130，000个像素，256个波长波段，从400 nm到1000 nm。实验设置受到严格控制，以便知道纯材料的光谱特征和材料成分。据我们所知，该数据集是第一个公开可用的数据集，以系统的方式创建的真值光谱解混。一些典型的线性和非线性解混算法也进行了测试与此数据集，并导致有意义的结果。
2019-02-22 cs.CV
Implicit spatial-frequency fusion of hyperspectral and lidar data via kolmogorov-arnold networks
School of Information and Communication Technology（信息与通信技术学院）；School of Computing, Engineering and Mathematical Sciences（计算、工程与数学科学学院）
本文提出IFGNet，利用可学习的样条函数KANs融合超光谱与激光雷达数据，提升几何感知的空间表示和全局结构模式，实验表明在准确率和Kappa值上优于现有方法。
2026-05-14 cs.CV
Self-Regression Learning for Blind Hyperspectral Image Fusion Without Label
高光谱图像融合（HIF）在遥感和计算机视觉领域有着广泛的应用。大多数传统的HIF方法假设观察模型是预定义的或已知的。然而，在实际应用中，所涉及的观测模型往往是复杂和未知的，这导致许多先进的HIF方法性能严重下降。还有，深度学习方法虽然可以实现出色的性能，但它们一般需要大量的图像对来进行模型训练，而这些图像对在现实场景中很难获得。针对这些问题，我们提出了一种交替重建高光谱图像（HSI）和估计观测模型的自回归学习方法。特别地，我们采用了一个可逆的神经网络（INN）恢复HSI，和两个全连接网络（FCN）估计的观察模型。此外，\emph{SoftMax}非线性应用于FCN，以满足非负，稀疏性和等式约束。此外，我们提出了一个局部一致性损失函数，通过探索特定领域的知识来约束观测模型。最后，我们提出了一个角度损失函数，以提高光谱重建精度。在合成数据集和真实数据集上的大量实验表明，我们的模型可以优于最先进的方法
2021-03-31 cs.CV eess.IV
Deep unfolding Network for Hyperspectral Image Super-Resolution with Automatic Exposure Correction
提出UHSR-AEC深度展开网络，联合低光增强与超分辨率，自动校正曝光，在极端光照下生成高质量高光谱融合图像，性能优于现有基准方法。
2024-03-14 cs.CV eess.IV
Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification
City University of Hong Kong（香港城市大学）；Southeast University（东南大学）；Northwestern Polytechnical University（西北工业大学）；Mississippi State University（密西西比州立大学）
针对遥感高光谱图像（HSI）的特点，提出了一种新的分类方法SP-DLRR。SP-DLRR主要由两个模块组成，分类引导的超像素分割和有区别的低秩表示，它们是迭代进行的。具体地，通过利用局部空间信息并结合来自典型分类器的预测，第一模块将输入HSI（或由第二模块生成的其恢复）的像素分割成超像素。根据所得到的超像素，输入HSI的像素然后被分组为集群，并送入我们的新的歧视性低秩表示模型与有效的数值解。这样的模型能够通过局部抑制光谱变化来增加类内相似性，同时全局地促进类间可辨别性，从而导致具有更多辨别像素的恢复的HSI。在三个基准数据集上的实验结果表明，SP-DLRR方法明显优于现有方法，特别是在训练像素数量极其有限的情况下。
2021-10-25 cs.AI cs.CV
AGSA-Net: Abundance-Guided Self-Attention Network for Spectral Unmixing-Aware Hyperspectral Remote Sensing Image Classification
North South University（南北大学）
针对高光谱图像分类中的冗余和噪声问题，提出丰度引导的自注意力网络AGSA-Net，融合光谱解混先验与变换器，在多个数据集上提升分类性能。
2026-09-09 cs.AI cs.CV cs.LG
Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction
Remote Sensing Technology Institute（遥感技术研究所）；Helmholtz Association（亥姆霍兹联合会）；German Research Foundation (DFG)（德国研究基金会（DFG））；European Research Council (ERC)（欧洲研究委员会（ERC））；German Federal Ministry of Education and Research (BMBF)（德国联邦教育和研究部（BMBF））；AXA Research Fund（安盛研究基金）
传统的非线性子空间学习技术（例如，流形学习）通常在可解释性（显式映射）和成本有效性（线性化）、泛化能力（样本外）和可表示性（空间-频谱鉴别）方面引入一些缺点。为了克服这些缺点，一种新的线性化子空间分析技术与空间光谱流形对齐开发的半监督高光谱降维（HDR），称为联合和渐进子空间分析（JPSA）。JPSA从高光谱数据中学习一种高层次的、语义上有意义的、联合的空间-光谱特征表示：1）联合学习潜在子空间和线性分类器，以找到有利于分类的有效投影方向; 2）逐步搜索子空间的几个中间状态，以接近从原始空间到潜在的更具区分力的子空间的最佳映射; 3）在空间上和频谱上对齐每个学习的潜在子空间中的流形结构，以便在压缩数据和原始数据之间保持相同或相似的拓扑性质。一个简单但有效的分类器，即，最近邻（NN），探索作为一个潜在的应用程序验证不同的HDR方法的算法性能。在两个广泛使用的高光谱数据集上进行了大量的实验，以证明所提出的JPSA的优越性和有效性：印度松树（92.98%）和休斯顿大学（86.09%）与以前的国家的最先进的HDR方法相比。这一基本工作的演示（即，ECCV 2018）可在www.example.com上公开获取。
2020-09-21 cs.CV
Differentiable Programming for Hyperspectral Unmixing using a Physics-based Dispersion Model
Arizona State University（亚利桑那州立大学）；Northern Arizona University（北亚利桑那大学）
高光谱解混是一项重要的遥感任务，其应用包括物质识别和分析。典型的光谱特征使许多纯物质可从其可见光-红外光谱中识别，但由于非线性和变化因素，量化它们在混合物中的存在是一项具有挑战性的任务。在本文中，光谱变化被认为是从一个基于物理的方法，并纳入端到端的光谱解混算法通过可微编程。引入色散模型来模拟真实的光谱变化，并提出了一种有效的参数拟合方法。然后，该色散模型被用作合成分析光谱分解算法内的生成模型。此外，当训练数据可用时，引入了使用卷积神经网络来预测生成模型的参数的逆绘制技术，以提高性能和速度。结果在红外和可见-近红外（VNIR）数据集上都达到了最先进的水平，并显示出未来基于物理的模型和深度学习在高光谱解混中的协同作用。
2020-07-12 cs.CV eess.IV physics.ao-ph
Hyperspectral Image Classification-Traditional to Deep Models: A Survey for Future Prospects
University of Messina（墨西拿大学）；Khwaja Fareed University of Engineering and Information Technology（赫瓦贾·法里德工程与信息技术大学）；Jalpaiguri Government Engineering College（杰尔拜古里政府工程学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；Innopolis University（因诺波利斯大学）；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）
高光谱成像（HSI）已被广泛应用于许多现实生活中的应用，因为它受益于每个像素中包含的详细光谱信息。值得注意的是，复杂的特征，即，HSI数据的光谱信息与目标之间的非线性关系使得传统的分类方法难以实现准确的分类。在过去的几年里，深度学习（DL）已经被证明是一种强大的特征提取器，可以有效地解决许多计算机视觉任务中出现的非线性问题。这促使部署DL用于HSI分类（HSIC），其显示出良好的性能。这项调查招募了一个系统的概述DL HSIC和比较国家的最先进的战略上说，这个话题。首先，我们将概括传统机器学习对HSIC的主要挑战，然后我们将了解DL解决这些问题的优势。本文将现有的深度学习框架分解为光谱特征、空间特征和空间-光谱结合特征，系统地分析了这些框架在HSIC中的研究成果和未来的研究方向。此外，我们将考虑这样一个事实，即DL需要大量的标记训练样本，而为HSIC获取这样的数量在时间和成本方面具有挑战性。因此，本调查讨论了一些提高深度学习策略泛化性能的策略，可以为未来提供一些指导。
2022-04-27 cs.CV eess.IV
Transformers Meet Hyperspectral Imaging: A Comprehensive Study of Models, Challenges and Open Problems
Department of Electrical, Computer and Software Engineering University of Auckland（电气、计算机与软件工程系 阿德莱德大学）
本文综述 300 多篇截至 2025 年的论文，系统梳理基于 Transformer 的高光谱图像分类流程、设计选择与核心挑战，并提出数据集、轻量化、鲁棒性和可解释性方面的研究议程。
2025-06-10 cs.AI cs.CV
Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification
SOA University（SOA大学）；IIIT Allahabad（阿拉哈巴德印度国际信息技术学院）
针对高光谱图像分类中3-D CNN参数量大且难以学习层间信息的问题，提出结合3-D CNN、2-D CNN和Bi-LSTM的混合神经网络，在三个数据集上仅用30%参数即实现最高100%准确率。
2024-02-15 cs.CV eess.IV
Kernel Nonnegative Matrix Factorization Without the Curse of the Pre-image - Application to Unmixing Hyperspectral Images
Institut Charles Delaunay (CNRS)（查尔斯·德洛奈研究所（法国国家科学研究中心））；Université de Technologie de Troyes（特鲁瓦技术大学）；LITIS lab（LITIS实验室）；Université de Rouen（鲁昂大学）；Centre de Recherche en Automatique de Nancy (CNRS)（南锡自动化研究中心（法国国家科学研究中心））；Université de Lorraine（洛林大学）
非负矩阵分解（NMF）在信号和图像处理中有着广泛的应用，包括生物信息学、盲声源分离和遥感高光谱图像分析等。一个很大的挑战时，出现处理的非线性制定的NMF。在核机器的框架内，在文献中提出的模型不允许表示的分解矩阵，这是一个辐射的诅咒的前图像。在本文中，我们提出了一种新的基于核的模型的NMF，不受前像的问题，通过直接在输入空间中调查的分解矩阵的估计。对于不同的核函数，我们描述了两个计划的迭代算法：添加剂更新规则的基础上的梯度下降计划和乘法更新规则在相同的精神，在李和Seung算法。在建议的框架内，我们开发了几个扩展，将约束，包括稀疏性，平滑性和空间正则化与总变差一样的惩罚。所提出的方法的有效性证明了解混高光谱图像的问题，使用著名的真实图像和结果与国家的最先进的技术。
2016-03-27 cs.CV cs.IT cs.LG
An Augmented Linear Mixing Model to Address Spectral Variability for Hyperspectral Unmixing
German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；RIKEN（日本理化学研究所）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；University of Iceland（冰岛大学）
从航空或卫星来源收集的高光谱图像不可避免地受到光谱变化的影响，这使得光谱分解难以准确估计丰度图。经典的解混模型，线性混合模型（LMM），通常无法有效地处理这个棘手的问题。为此，我们提出了一种新的光谱混合模型，称为增广线性混合模型（ALMM），以解决光谱的变化，通过应用数据驱动的学习策略在反问题的高光谱解混。所提出的方法对主要光谱可变性（即，比例因子）通过端元字典分别由照明或排版的变化产生。然后，它对由环境条件引起的其他光谱可变性（例如，局部温度和湿度，大气影响）和仪器配置（例如，传感器噪声）以及材料非线性混合效应。为了有效地运行数据驱动的学习策略，我们还提出了一个合理的先验知识的光谱变异字典，其原子被假定为低相干的光谱签名的端元，这导致了一个众所周知的低相干字典学习问题。因此，字典学习技术被嵌入到光谱分解的框架中，使得算法可以同时学习光谱变异字典和估计丰度图。在人工数据集和真实数据集上进行了大量的实验，与以往的最先进的方法相比，证明了该方法的优越性和有效性。
2018-10-29 cs.CV
Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing
German Aerospace Center (DLR)（德国航空航天中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心）
在过去的几十年里，人们已经做出了巨大的努力，以提高性能的线性或非线性混合模型的高光谱解混，但他们的能力，同时概括各种光谱变异和提取物理意义的端元仍然是有限的，由于在数据拟合和重建的能力差和各种光谱变异的敏感性。受深度学习强大的学习能力的启发，本文试图通过充分考虑从高光谱图像中提取的端元的性质，开发一种通用的高光谱解混深度学习方法--端元引导解混网络（EGU-Net）。除了单独的自动编码器式架构之外，EGU-Net是一个双流连体深度网络，它从纯或接近纯的端元学习额外的网络，以通过共享网络参数和添加频谱有意义的约束（例如，非负性和和为一）朝向更准确和可解释的解混解决方案。此外，所得到的一般框架不仅限于逐像素的光谱解混，但也适用于空间信息建模与卷积算子的空间-光谱解混。在三个不同的数据集上进行的实验结果与对应于每种材料的丰度图的地面实况证明了EGU-Net的有效性和优越性，超过了最先进的解混算法。这些代码可从以下网站获得：https://github.com/danfenghong/IEEE_TNNLS_EGU-Net。
2021-05-21 cs.CV eess.IV
3DeepRep: 3D Deep Low-rank Tensor Representation for Hyperspectral Image Inpainting
SUSTech（南方科技大学）
提出3DeepRep模型，沿高光谱图像张量三个模式进行深度非线性变换并最小化核范数，通过可学习聚合融合三方向结果，实现自监督的高光谱图像修复，性能优于现有最先进方法。
2025-06-20 cs.CV eess.IV
Dynamical Hyperspectral Unmixing with Variational Recurrent Neural Networks
University of Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；CRAN（南锡自动控制与计算机科学实验室）；Northeastern University（东北大学）
针对多时相高光谱解混中端元时空变异性处理不足的问题，提出基于变分循环神经网络的无监督算法，通过低维参数化和深度变分推理实现解混，性能优于现有先进算法。
2023-03-19 cs.CV eess.IV
Grafting Transformer on Automatically Designed Convolutional Neural Network for Hyperspectral Image Classification
Northwestern Polytechnical University（西北工业大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Shaanxi Normal University（陕西师范大学）；Yan’an University（延安大学）
本文首次将NAS与Transformer结合用于HSI分类，提出包含空间和光谱主导单元的混合搜索空间，并将Transformer嫁接到自动设计的CNN上以融合全局与局部特征，在三个公开数据集上显著提升了分类准确率。
2023-04-06 cs.CV
