基于全卷积空间传播网络的空间一致性高光谱图像分类

图聚类卷积网络半监督高光谱图像分类

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。

2020-12-20cs.CV

一维卷积胶囊网络用于高光谱图像分类

1D-Convolutional Capsule Network for Hyperspectral Image Classification

Liaoning Technical University（辽宁工程技术大学）；Fujian Institute of Research on the Structure of Matter, Chinese Academy of Sciences（中国科学院福建物质结构研究所）；East China Normal University（华东师范大学）；The Hong Kong Polytechnic University（香港理工大学）

近年来，卷积神经网络（CNN）在许多计算机视觉任务中取得了优异的性能。具体而言，对于高光谱图像（HSI）分类，由于HSI的高维数，CNN通常需要非常复杂的结构。CNN的复杂结构导致了令人望而却步的训练工作。此外，在HSIs分类任务中常见的情况是缺乏标记样本，这导致CNN的准确性下降。在这项工作中，我们开发了一种易于实现的胶囊网络来缓解上述问题，即，1D卷积胶囊网络（1D-ConvCapsNet）。首先，1D-ConvCapsNet在空间域和谱域上分别提取空间和谱信息，由于参数较少，因此比3D卷积更轻量级。其次，1D-ConvCapsNet采用逐胶囊约束窗口方法，减少了传统胶囊网络的参数数量和计算复杂性。最后，1D-ConvCapsNet通过动态路由获得关于输入样本的准确预测。通过三个代表性的HSI数据集验证了1D-ConvCapsNet的有效性。实验结果表明，1D-ConvCapsNet在准确性和训练工作量方面都优于最先进的方法。

2019-03-23cs.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

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

基于卷积网络的高光谱波段选择多光谱图像分类

Hyperspectral Band Selection for Multispectral Image Classification with Convolutional Networks

Montana State University（蒙大拿州立大学）

近年来，高光谱成像（HSI）已成为遥感、农业和生物医学等应用中可靠数据的强大来源。然而，高光谱图像是高度数据密集的，并且通常受益于减少光谱带数量的方法，同时保留对特定应用最有用的信息。我们提出了一种新的波段选择方法来选择一组减少的波长，从HSI系统中获得的图像分类的上下文中。我们的方法包括两个主要步骤：第一个是利用基于滤波器的方法，找到相关的光谱带的基础上的共线性分析波段和它的邻居。这种分析有助于去除冗余频带，并大大减少搜索空间。第二步应用基于包装器的方法来基于其信息熵值从缩减集中选择频带，并训练紧凑的卷积神经网络（CNN）来评估当前选择的性能。我们目前从我们的方法获得的分类结果，并将它们与其他两个高光谱图像数据集上的特征选择方法进行比较。此外，我们使用原始的高光谱数据立方体来模拟在多光谱成像仪中使用实际滤波器的过程。我们表明，我们的方法产生更合适的多光谱传感器设计的结果。

2021-06-01cs.CVeess.IV

高光谱图像分类的三维二维卷积神经网络模型

A 3D 2D convolutional Neural Network Model for Hyperspectral Image Classification

School of Computer Science, China University of Geosciences（中国地质大学计算机学院）

在SEHybridSN模型中，使用密集块来重用浅层特征，旨在更好地利用分层空间光谱特征。随后的深度可分离卷积层用于区分空间信息。空间谱特征的进一步细化是通过信道注意方法实现的，该方法在每个3D卷积层和每个2D卷积层之后执行。实验结果表明，我们提出的模型学习更多的区分空间光谱特征，使用很少的训练数据。SEHybridSN仅使用0.05和0.01标记数据进行训练，获得了非常令人满意的性能。

2021-11-19cs.CVcs.LGeess.IV

3D-RCNet：从Transformer学习以构建用于高光谱图像分类的3D关系卷积网络

3D-RCNet: Learning from Transformer to Build a 3D Relational ConvNet for Hyperspectral Image Classification

针对ViT处理高光谱图像计算成本高且依赖大量训练样本的问题，提出3D-RCNet，将Transformer自注意力嵌入卷积操作，兼具高计算效率与灵活性，在基准数据集上优于现有方法。

2024-08-25cs.CV

高光谱人脸识别中的深度稀疏波段选择

Deep Sparse Band Selection for Hyperspectral Face Recognition

West Virginia University（西弗吉尼亚大学）

高光谱成像系统收集和处理来自电磁光谱中特定波长的信息。可见光谱中的多光谱带的融合已经被利用来改善所有常规宽带人脸图像的人脸识别性能。在本书的这一章中，我们提出了一个新的卷积神经网络（CNN）框架，该框架采用结构稀疏学习技术来选择最佳光谱带，以获得所有光谱带上的最佳人脸识别性能。具体来说，在这种方法中，来自所有波段的图像都被馈送到CNN，然后通过采用组Lasso算法来正则化CNN第一层中的卷积滤波器，以在网络训练期间将冗余波段归零。与通常手动或以贪婪方式选择有用波段的其他方法相反，我们的方法自动选择最佳光谱波段，以在所有光谱波段上实现最佳的人脸识别性能。此外，实验结果表明，我们的方法优于国家的最先进的波段选择方法的人脸识别几个公开可用的高光谱人脸图像数据集。

2019-08-15cs.CV

高光谱图像分类的图卷积网络

Graph Convolutional Networks for Hyperspectral Image Classification

Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Grenoble INP（格勒诺布尔国立理工学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；Xi’an Jiaotong University（西安交通大学）；University of Chinese Academy of Sciences（中国科学院大学）；University of Extremadura（埃斯特雷马杜拉大学）

要阅读最终版本，请访问IEEE Xplore上的IEEE TGRS。卷积神经网络（CNN）由于其能够捕获空间-光谱特征表示的能力，在高光谱（HS）图像分类中受到越来越多的关注。然而，他们在样本之间的关系建模的能力仍然有限。除了网格采样的局限性，图卷积网络（GCN）最近已被提出并成功地应用于不规则（或非网格）数据表示和分析。在本文中，我们彻底研究了CNN和GCN（定性和定量）的HS图像分类。传统的GCN算法需要在所有数据上构造邻接矩阵，计算量大，特别是在大规模遥感问题中。为此，我们开发了一种新的小批量GCN（以下称为miniGCN），它允许以小批量的方式训练大规模的GCN。更重要的是，我们的miniGCN能够推断样本外数据，而无需重新训练网络并提高分类性能。此外，由于CNN和GCN可以提取不同类型的HS特征，因此打破单个模型性能瓶颈的直观解决方案是将它们融合。由于miniGCN可以执行批量网络训练（使CNN和GCN相结合），我们探索了三种融合策略：加法融合，逐元素乘法融合和级联融合，以衡量所获得的性能增益。在三个HS数据集上进行的大量实验证明了miniGCN相对于GCN的优势以及所测试的融合策略相对于单个CNN或GCN模型的优越性。为了便于再现，本工作的代码将在https://github.com/danfenghong/IEEE_TGRS_GCN上提供。

2021-01-15cs.CV

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

基于自适应交叉注意驱动的空间-光谱图卷积网络的高光谱图像分类

Adaptive Cross-Attention-Driven Spatial-Spectral Graph Convolutional Network for Hyperspectral Image Classification

Southwest Jiaotong University（西南交通大学）；Southwest Institute of Electronic Technology（西南电子技术研究所）；Mississippi State University（密西西比州立大学）

近年来，图卷积网络（GCN）被用来探索像素之间的空间关系，从而获得更好的高光谱图像（HSI）分类性能。然而，这些方法未能充分利用HSI数据中光谱带之间的关系。因此，我们提出了一种自适应交叉注意力驱动的空间-频谱图卷积网络（ACSS-GCN），它由一个空间GCN（Sa-GCN）子网络，一个频谱GCN（Se-GCN）子网络，和一个图形交叉注意力融合模块（GCAFM）。具体而言，Sa-GCN和Se-GCN提出了提取空间和光谱特征，通过建模空间像素之间的相关性和光谱波段之间，分别。然后，将注意力机制引入到图的信息聚合中，提出了一种基于注意力机制的GCAFM，设计了空间图关注块、谱图关注块和融合块，融合了Sa-GCN和Se-GCN的空间和谱特征，抑制了噪声干扰。此外，自适应图的思想被引入到探索一个最佳的图，通过反向传播在训练过程中。在两个HSI数据集上的实验表明，该方法取得了比其他分类方法更好的性能。

2022-04-12cs.AIcs.CV

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

基于跨域CNN的高光谱图像分类

Cross-domain CNN for Hyperspectral Image Classification

Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）；U.S. Army Research Laboratory（美国陆军研究实验室）

本文针对高光谱图像分类中数据集稀缺的问题。由于只有几千个像素可用于训练，因此很难有效地学习高容量的卷积神经网络（CNN）。为了解决这个问题，我们提出了一种新的跨域CNN包含共享参数，可以在多个高光谱数据集之间进行共同学习。该网络还包含非共享部分，旨在处理数据集特定的光谱特征和相关的分类任务。我们的方法是第一次尝试以端到端的方式学习多个高光谱数据集的CNN。此外，我们已经通过实验证明，在三个广泛使用的数据集上训练的网络优于在单个数据集上训练的所有基线网络。

2018-05-02cs.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

使用上下文CNN进行更深入的高光谱图像分类

Going Deeper with Contextual CNN for Hyperspectral Image Classification

Booz Allen Hamilton Inc.（博思艾伦咨询公司）；Army Research Laboratory（陆军研究实验室）

在本文中，我们描述了一种新的深度卷积神经网络（CNN），它比其他现有的用于高光谱图像分类的深度网络更深、更宽。与当前基于CNN的高光谱图像分类的最先进方法不同，所提出的网络称为上下文深度CNN，可以通过联合利用相邻单个像素向量的局部空间-光谱关系来最佳地探索局部上下文交互。空间-频谱信息的联合利用是通过多尺度卷积滤波器组作为所提出的CNN管道的初始组件来实现的。然后将从多尺度滤波器组获得的初始空间和光谱特征图组合在一起以形成联合空间-光谱特征图。然后，表示高光谱图像的丰富光谱和空间属性的联合特征图通过完全卷积网络馈送，该完全卷积网络最终预测每个像素向量的对应标签。该方法在三个基准数据集上进行了测试：印第安松数据集，萨利纳斯数据集和帕维亚大学数据集。性能比较显示，所提出的方法在三个数据集上的分类性能优于当前最先进的方法。

2017-05-09cs.CVcs.LG

基于3D傅里叶变换的全局特征提取用于超光谱图像分类

3D Fourier-based Global Feature Extraction 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HGFNet，结合3D卷积与傅里叶变换，提升超光谱图像分类的鲁棒性和效率，引入三种傅里叶变换处理频域特征，缓解类别不平衡问题。

2026-03-17cs.CV

基于上下文映射驱动的专家核生成网络用于高光谱图像分类

Expert Kernel Generation Network Driven by Contextual Mapping 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深度神经网络面临的过拟合与泛化能力有限等问题，提出EKGNet，通过上下文感知映射网络和动态核生成模块，在不增加网络参数的情况下提升分类性能，优于主流方法。

2025-04-17cs.CV

高光谱图像分类需要预训练吗？

Is Pretraining Necessary for Hyperspectral Image Classification?

Booz Allen Hamilton Inc.（博思艾伦汉密尔顿公司）；US Army Research Laboratory（美国陆军研究实验室）

我们解决了两个问题，训练卷积神经网络（CNN）的高光谱图像分类：i）是否有可能建立一个预先训练的网络？以及ii）预先培训是否有效地促进了绩效？为了回答第一个问题，我们设计了一种方法，该方法在多个源数据集上预训练网络，这些数据集的高光谱特征不同，并在目标数据集上进行微调。这种方法有效地解决了在源网络和目标网络之间传输有意义的信息时出现的架构问题。为了回答第二个问题，我们进行了几次烧蚀实验。根据实验结果，从头开始训练的网络与从预先训练的网络微调的网络一样好。然而，我们观察到，当需要更深的网络时，预训练网络在实现更好的性能方面有其自身的优势。

2019-01-24cs.CV

基于3D编码卷积神经网络的压缩光谱图像分类

Compressive spectral image classification using 3D coded convolutional neural network

Key Laboratory of Photoelectronic Imaging Technology and System of Ministry of Education of China, School of Optics and Photonics, Beijing Institute of Technology（北京理工大学光电学院光电成像技术与系统教育部重点实验室）；Department of Electrical and Computer Engineering, University of Delaware（特拉华大学电气与计算机工程系）

高光谱图像分类是遥感领域的一个研究热点。高光谱图像通常会产生大量的数据立方体，这对数据采集、存储、传输和处理提出了巨大的挑战。为了克服这些限制，本文开发了一种新的深度学习HIC方法，该方法基于编码孔径快照光谱成像仪（CASSI）的压缩测量，而无需重建完整的高光谱数据立方体。提出了一种新的深度学习策略，即3D编码卷积神经网络（3D-CCNN）来有效地解决分类问题，其中基于硬件的编码孔径被视为逐像素连接的网络层。提出了一种端到端的训练方法，对网络参数和周期结构编码孔径进行联合优化。通过利用深度学习网络和编码孔径之间的协同作用，有效地提高了分类的准确性。所提出的方法的优越性进行了评估，超过国家的最先进的HIC方法在几个高光谱数据集。

2021-07-12cs.CVeess.IV

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

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

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

基于自动图学习的多级图卷积网络高光谱图像分类

Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification

Nanjing University of Science and Technology（南京理工大学）；Shanghai Jiao Tong University（上海交通大学）；Monash University（莫纳什大学）

如今，深度学习方法，特别是图卷积网络（GCN），在高光谱图像（HSI）分类中表现出令人印象深刻的性能。然而，目前基于GCN的方法将图构造和图像分类视为两个独立的任务，这通常导致次优性能。这些方法的另一个缺陷是，它们主要集中在建模的局部节点之间的成对重要性，而缺乏能力，捕捉全局上下文信息的HSI。在本文中，我们提出了一个多层次的GCN与自动图学习方法（MGCN-AGL）的HSI分类，它可以自动学习的图形信息在局部和全局水平。通过引入注意力机制来表征空间相邻区域之间的重要性，可以自适应地结合最相关的信息进行决策，这有助于对空间上下文进行编码，形成局部层次的图信息。此外，我们利用多种途径进行局部级图卷积，以利用HSI的不同空间背景的优点，并增强所生成的表示的表达能力。为了重建全局上下文关系，我们的MGCN-AGL编码的基础上，已在局部水平上产生的表达图像区域之间的长程依赖关系。然后可以沿着连接远处区域的重构图边缘执行推理。最后，多层次信息自适应融合，产生网络输出。这种方法可以将图学习和图像分类集成到一个统一的框架中，并相互促进。在三个真实高光谱数据集上进行了大量的实验，实验结果表明，这些方法的性能优于最先进的方法。

2020-09-19cs.CVcs.LG

HybridSN：探索用于高光谱图像分类的3D-2D CNN特征层次

HybridSN: Exploring 3D-2D CNN Feature Hierarchy for Hyperspectral Image Classification

Jalpaiguri Government Engineering College（贾尔派古里政府工程学院）；Indian Institute of Information Technology, Sri City（斯里城印度信息技术学院）；Indian Statistical Institute（印度统计研究所）

高光谱图像分类广泛应用于遥感图像分析。高光谱图像包括不同波段的图像。卷积神经网络（CNN）是用于视觉数据处理的最常用的基于深度学习的方法之一。CNN用于HSI分类在最近的工作中也是可见的。这些方法大多基于2D CNN。然而，HSI分类性能高度依赖于空间和光谱信息。由于增加的计算复杂性，很少有方法利用3D CNN。本文提出了一种用于HSI分类的混合谱卷积神经网络（HybridSN）。基本上，HybridSN是一个频谱空间3D-CNN，然后是空间2D-CNN。3D-CNN促进了来自光谱带堆栈的联合空间-光谱特征表示。在3D-CNN之上的2D-CNN进一步学习更抽象的空间表示。此外，与单独的3D-CNN相比，混合CNN的使用降低了模型的复杂性。为了测试这种混合方法的性能，非常严格的HSI分类实验进行了印度松树，帕维亚大学和萨利纳斯场景遥感数据集。将结果与最先进的手工制作以及基于端到端深度学习的方法进行比较。一个非常令人满意的性能，获得使用建议的混合SN HSI分类。源代码可以在\url{https://github.com/gokriznastic/HybridSN}上找到。

2019-07-03cs.CV

基于对比图卷积网络的高光谱图像分类

Hyperspectral Image Classification With Contrastive Graph Convolutional Network

Nanjing University of Science and Technology（南京理工大学）

针对高光谱图像标记像素不足导致现有GCN分类方法表征能力下降的问题，提出融合对比学习的ConGCN模型，结合半监督对比损失、图生成损失和自适应图增强技术，在四个基准数据集上验证了其分类性能的有效性。

2022-05-11cs.AIcs.CVcs.LG

高光谱图像分类中深度学习的统计损失与分析

Statistical Loss and Analysis for Deep Learning in Hyperspectral Image Classification

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

如今，深度学习方法，特别是卷积神经网络（CNN），在从高光谱图像中提取抽象和高级特征方面表现出令人印象深刻的性能。然而，一般的CNN训练过程主要考虑像素级信息或样本的相关性来制定惩罚，而忽略了高光谱图像中每个类别的统计特性，特别是光谱变化。由于训练样本的不平衡和有限数量，这些基于样本的惩罚会导致训练过程的不确定性。为了克服这个问题，这项工作将高光谱图像中的每个类别表征为统计分布，并进一步开发了一种新的统计损失，而不是直接使用样本进行深度学习。基于Fisher判别准则，损失惩罚每类分布的样本方差，以减小训练样本的类内方差。此外，增加了一个额外的多样性促进条件，以扩大不同类别分布之间的类间方差，这可以更好地区分来自不同类别的高光谱图像中的样本。最后，通过多元统计分析，利用训练样本得到统计损失的统计估计形式。在真实世界的高光谱图像上的实验显示了所开发的统计损失用于深度学习的有效性。

2020-03-11cs.CV

ConvVitMamba：高效的多尺度卷积、Transformer和Mamba序列建模用于超光谱图像分类

ConvVitMamba: Efficient Multiscale Convolution, Transformer, and Mamba-Based Sequence modelling for Hyperspectral Image Classification

College of Engineering and IT, University of Dubai（迪拜大学工程与信息学院）

本文提出ConvVitMamba框架，结合多尺度卷积、Transformer和轻量Mamba模块，有效解决超光谱图像分类中的高维、冗余和数据不足问题，实现高精度与低开销的平衡。

2026-04-20cs.CV

通过人工标记有效训练用于高光谱图像分类的深度卷积神经网络

Effective training of deep convolutional neural networks for hyperspectral image classification through artificial labeling

Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所）

高光谱成像是一个丰富的数据来源，允许多种有效的应用。然而，这种成像仍然具有挑战性，因为大的数据维度，并且通常，可用的训练样本的池小。虽然深度学习方法已被证明在提供有效的分类解决方案方面是成功的，特别是对于高维问题，但不幸的是，它们在大量可用的标记示例中工作得最好。为了减轻对特定数据集的第二个要求，可以使用迁移学习方法：首先在具有大量可用训练标签的一些数据集上预训练网络，然后使用实际数据集来微调网络。这种策略并不直接适用于高光谱图像，因为通常只有一个特定的图像的某种类型或特征。在本文中，我们提出并研究了一种简单有效的迁移学习策略，该策略使用无监督的预训练步骤，无需标签信息。这种方法可以应用于许多高光谱分类问题。实验结果表明，该方法在提高分类精度方面非常有效，且不受特定图像类型或神经网络结构的限制。实验在几种深度神经网络架构和各种大小的标记训练集上进行。印度松树和帕维亚大学数据集的整体准确性的最大提高分别超过21和13个百分点。所提出的方法的另一个优点是预训练步骤的无监督性质，这可以在图像采集后立即完成，而不需要潜在的昂贵的专家的时间。

2020-10-22cs.CVcs.NEeess.IV

三维/二维正则化CNN特征层次用于高光谱图像分类

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。

2021-04-25cs.CV

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

基于Transformer的光谱-空间注意力解耦与自适应门控的高光谱图像分类

Hyperspectral Image Classification via Transformer-based Spectral-Spatial Attention Decoupling and Adaptive Gating

iFLYTEK；Aegon THTF

针对高光谱图像分类中过拟合、泛化差等问题，提出含空间-光谱注意力解耦与双门控机制的STNet架构，在不增网络规模下提升特征提取融合能力，在三类数据集上优于主流方法。

2025-06-11cs.CV

基于上下文感知动态图卷积网络的高光谱图像分类

Hyperspectral Image Classification With Context-Aware Dynamic Graph Convolutional Network

Nanjing University of Science and Technology（南京理工大学）；National University of Defense Technology（国防科技大学）；Monash University（莫纳什大学）

在高光谱图像（HSI）分类中，空间上下文已经证明了其重要性，在实现有前途的性能。然而，传统的基于空间上下文的方法简单地假设空间上相邻的像元应该对应于同一个土地覆盖类，因此在复杂情况下往往不能正确地发现像元之间的上下文关系，从而导致在类边界等不规则或不均匀区域的分类结果不理想。为了解决这个问题，我们开发了一种新的HSI分类方法的基础上最近提出的图卷积网络（GCN），因为它可以灵活地编码任意结构的非欧数据之间的关系。与传统的GCN不同，我们的方法采用了两种新的策略来进一步利用上下文关系进行准确的HSI分类。首先，由于传统的GCN的感受野往往局限于相当小的邻域，我们提出了捕捉长范围的上下文关系在HSI上执行连续的图形卷积学习区域诱导图，这是从原始的2D图像网格转换。其次，我们通过学习改进的邻接矩阵和“边缘滤波器”来细化图的边缘权重和图像区域之间的连接关系，从而使图可以逐渐细化以适应每个图卷积层生成的表示。这种更新的图形将反过来导致准确的区域表示，反之亦然。在三个真实世界的基准数据集上进行的实验表明，与一些最先进的方法相比，所提出的方法在分类性能上有显着的改善。

2019-09-26cs.CVcs.LGeess.IV

数据高效复杂特征融合网络用于高光谱图像分类

Data Efficient Complex Feature Fusion Network For Hyperspectral Image Classification

Department of Electronics and Telecommunication, Rajiv Gandhi Institute of Technology, University of Mumbai（电子与电信系，拉吉夫甘地技术学院，孟买大学）

提出一种数据高效的注意力双支路复杂特征融合网络（DE-CFFN），通过因子分析降维和3D卷积层滤波器数量减半来减少模型复杂度，同时保持与CFFN相当的分类性能。

2026-06-03cs.CV

单类高光谱图像分类的单类风险估计

One-Class Risk Estimation for One-Class Hyperspectral Image Classification

本文提出HOneCls，一种弱监督深度高光谱单类分类器，通过引入单类风险估计器使FCN在分布不平衡下实现单类分类，并通过20个任务实验验证其优越性。

2023-08-25cs.CV

基于梯形网络的半监督高光谱图像分类

Ladder Networks for Semi-Supervised Hyperspectral Image Classification

Purdue University（普渡大学）；ETH Zürich（苏黎世联邦理工学院）

我们使用梯形网络[Rasmus et al.（2015）]在半监督设置中执行高光谱图像分类。梯形网络通过联合优化监督和非监督成本来将自己与其他半监督方法区分开来。在许多情况下，这已被证明比其他半监督技术更成功，例如使用未标记数据进行预训练。我们还表明，卷积梯形网络的性能优于目前大多数用于高光谱图像分类的技术，并在帕维亚大学数据集上实现了新的最先进的性能，每个类只有5个标记的数据点。

2018-12-04cs.CVcs.LGstat.ML

基于局部残差连接的高光谱图像分类三维CNN

3D CNN with Localized Residual Connections for Hyperspectral Image Classification

Madan Mohan Malaviya University of Technology（马丹·莫汉·马拉维亚技术大学）；Malaviya National Institute of Technology Jaipur（斋浦尔马拉维亚国家理工学院）

在本文中，我们提出了一种新的三维CNN网络与局部残差连接的高光谱图像分类。我们的工作与现有的方法进行了比较研究，用于提取更深层次的功能，并提出了一个模型，该模型结合了网络中的多个阶段的剩余功能。该架构通过3D卷积层处理来自高光谱图像的个体空间光谱特征丰富的立方体。由于低级别和高级别特征的同化，剩余连接导致改进的性能。我们在帕维亚大学和帕维亚中心数据集上进行实验，以进行性能分析。我们比较了我们的方法与两个最近的国家的最先进的高光谱图像分类方法的方法。所提出的网络性能优于现有的方法有很好的保证金。

2019-12-06cs.CVeess.IV

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

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

高光谱图像分类的光谱-空间混合器网络

Hyperspectral Image Classification using Spectral-Spatial Mixer Network

College of Engineering and IT（工程与信息技术学院）

提出SS-MixNet轻量级深度学习模型，通过3D卷积和并行MLP混合器模块提取局部与长距离光谱-空间特征，在1%标注数据下实现高精度高光谱图像分类。

2026-05-29cs.CV

改进的类概率估计多样性协同训练高光谱图像分类

Modified Diversity of Class Probability Estimation Co-training for Hyperspectral Image Classification

Xidian University（西安电子科技大学）

针对高光谱图像分类问题，传统的监督学习方法由于训练训练数据数量有限且类别不均衡，无法保证学习特征的区分性。在本文中，我们提出了一种改进的类概率估计（MDCPE）的多样性与两个深神经网络学习光谱空间特征的HSI分类。在联合训练阶段，使用递归神经网络（RNN）和卷积神经网络（CNN）作为两个学习器，从标记和未标记的数据中提取特征。基于提取的特征，MDCPE选择最可信的样本更新初始标记数据相结合的k-means聚类与传统的类概率估计（DCPE）的协同训练的多样性。通过这种方式，MDCPE可以保持新的标记数据类平衡，并为少数和多数类提取区分特征。在测试过程中，分类结果由两个学习者共同决策得到。实验结果表明，提出的半监督协同训练方法可以充分利用未标记信息，提高学习者的通用性，在Salinas、Pavia University和Pavia Center三个广泛使用的数据集上均取得了良好的准确率。

2018-09-05cs.CV

基于级联循环神经网络的高光谱图像分类

Cascaded Recurrent Neural Networks for Hyperspectral Image Classification

Nanjing University of Information Science and Technology（南京信息工程大学）；German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；Helmholtz-Zentrum Dresden-Rossendorf (HZDR)（亥姆霍兹德累斯顿罗森多夫研究中心）；Helmholtz Institute Freiberg for Resource Technology (HIF)（亥姆霍兹弗赖贝格资源技术研究所）

通过将光谱特征视为一个序列，循环神经网络（RNN）最近已成功地用于从高光谱图像（HSI）中学习判别特征。然而，这些模型中的大多数仅将整个光谱带直接输入到RNN中，这可能无法充分探索HSI的特定属性。在本文中，我们提出了一个级联的RNN模型，使用门控递归单元（GRU）来探索HSI的冗余和互补信息。它主要由两个RNN层组成。第一RNN层用于消除相邻光谱带之间的冗余信息，而第二RNN层旨在从非相邻光谱带学习互补信息。为了提高学习特征的区分能力，我们设计了两种策略。此外，考虑到HSI中包含的丰富空间信息，我们通过引入一些卷积层将所提出的模型进一步扩展到其频谱空间对应物。为了测试我们提出的模型的有效性，我们进行实验，两个广泛使用的HSIs。实验结果表明，我们提出的模型可以取得更好的结果比比较模型。

2019-02-28cs.CV

基于深度ConvLSTM神经网络的高光谱图像分类空谱特征提取

Spatial-Spectral Feature Extraction via Deep ConvLSTM Neural Networks for Hyperspectral Image Classification

Southwest Jiaotong University（西南交通大学）；Beijing Institute of Technology（北京理工大学）；Mississippi State University（密西西比州立大学）

近年来，深度学习在高光谱图像分类方面取得了很大的进展。特别是，长短期记忆（LSTM）作为一种特殊的深度学习结构，在视频的时间维度或HSI的频谱维度上表现出很强的建模能力。然而，空间信息的丢失使得很难获得更好的性能。为了解决这个问题，提出了两种新的深度模型，通过利用卷积LSTM（ConvLSTM）来提取更具鉴别力的空间光谱特征。通过将局部滑动窗口中的数据块逐个带地作为每个存储单元的输入，考虑了LSTM的2-D扩展架构，用于构建空间-谱ConvLSTM 2-D神经网络（SSCL 2DNN）来建模谱域中的长程依赖性。为了更好地保留高光谱数据的内在结构信息，将LSTM扩展到3-D版本，提出了空间-光谱ConvLSTM 3-D神经网络（SSCL 3DNN），以进一步提高分类性能。在三个常用的HSI数据集上进行的实验表明，所提出的深度模型具有一定的竞争优势，可以提供比其他最先进的方法更好的分类性能。

2022-04-11cs.CV

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

基于锐化余弦相似度的神经网络用于高光谱图像分类

Sharpend Cosine Similarity based Neural Network for Hyperspectral Image Classification

National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）

针对高光谱图像分类中三维CNN计算复杂、参数多的问题，提出用锐化余弦相似度替代卷积，并配合MaxAbsPool，在公开数据集上验证了其高效分类性能。

2023-05-26cs.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

CWSSNet：基于小波域卷积增强的高光谱图像分类

CWSSNet: Hyperspectral Image Classification Enhanced by Wavelet Domain Convolution

School of Transportation Engineering（交通运输工程学院）；East China Jiaotong University（东华交通大学）；School of Coumputing and Information（计算与信息学院）

针对高光谱图像特征冗余问题，提出融合3D光谱-空间特征与小波卷积的CWSSNet分类框架，通过多尺度卷积注意力模块和小波域多波段分解提升地物分类性能，在余干县实验中取得高精度并展现出良好鲁棒性。

2025-11-04cs.CV

当卷积与潜在注意力相遇：超光谱图像分类

CLAReSNet: When Convolution Meets Latent Attention for Hyperspectral Image Classification

Institute of Engineering and Management (IEM), University of Engineering and Management Kolkata, IEM Centre of Excellence for InnovAI, Department of Computer Science & Engineering（工程管理学院（IEM）、工程管理大学科塔卡尔，创新AI研究中心、计算机科学与工程系）；Institute of Engineering and Management (IEM), University of Engineering and Management Kolkata, Department of Computer Science & Engineering（工程管理学院（IEM）、工程管理大学科塔卡尔，计算机科学与工程系）

CLAReSNet通过结合卷积与潜在注意力机制，有效解决超光谱图像分类中的高维度、复杂相关性和类别不平衡问题，实现高准确率。

2025-12-19cs.AIcs.CVcs.LG

高光谱图像分类中的区分鲁棒深度字典学习

Discriminative Robust Deep Dictionary Learning for Hyperspectral Image Classification

Indraprastha Institute of Information Technology, Delhi（因德拉普拉斯信息技术学院（德里））

这项工作提出了一个新的深度学习框架，特别适合高光谱图像分类。我们以一种健壮的方式学习多级字典。最后一层是判别式的，它学习线性分类器。训练过程是渐进式的，每次只学习一级字典，而系数用于训练下一级。最后一级的系数用于分类。鲁棒性通过最小化绝对偏差而不是更流行的欧几里德范数来实现。内置的鲁棒性有助于对抗高光谱图像中存在的混合噪声（高斯和稀疏）。结果表明，我们提出的技术优于所有其他深度学习方法深度信念网络（DBN），堆叠自动编码器（SAE）和卷积神经网络（CNN）。在基准高光谱成像数据集上进行了实验。

2019-12-11cs.CVcs.LGeess.IV

基于卷积的高光谱图像分类光谱分割结构

Convolution Based Spectral Partitioning Architecture for Hyperspectral Image Classification

University College London（伦敦大学学院）；Imperial College London（帝国理工学院）；China Academy of Space Technology（中国空间技术研究院）

高光谱图像具有高光谱分辨率的特点，在遥感应用中得到了广泛的应用，有利于高精度的土地覆盖分类。然而，HSIs处理与高维和有限数量的标记数据的问题纠缠在一起。为了解决这些挑战，本文提出了一种深度学习架构，该架构使用具有谱分区的三维卷积神经网络来执行有效的特征提取。我们进行实验，使用美国宇航局机载可见光/红光成像光谱仪获得的印度松树和萨利纳斯场景。在以前的结果相比，我们的架构显示出竞争力的性能，分类结果超过目前的方法。

2019-06-27cs.CVcs.LGeess.IV

基于XAI的AI高光谱图像分类降维

Dimensionality reduction for AI based hyperspectral image classification based on XAI

University of Belgrade School of Electrical Engineering（贝尔格莱德大学电气工程学院）；JOANNEUM RESEARCH Forschungsgesellschaft mbH（约安neum研究有限公司）

本研究利用基于AI的降维技术，结合CNN处理超过200个光谱通道的高光谱图像，通过XAI方法提升木材回收过程的可持续性和效率。

2026-09-22cs.AIcs.CV

基于注意力辅助CNN的高光谱图像分类

Hyperspectral Image Classification with Attention Aided CNNs

Nanjing University of Information Science and Technology（南京信息工程大学）；University of Missouri-Kansas City（密苏里大学堪萨斯城分校）；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 Maryland, College Park（马里兰大学帕克分校）

卷积神经网络（CNN）已被广泛用于高光谱图像分类。作为一个常见的过程，首先从高光谱图像中裁剪小立方体，然后将其输入CNN以提取光谱和空间特征。众所周知，不同的光谱波段和立方体中的空间位置具有不同的区分能力。如果充分利用，这些先验信息将有助于提高CNN的学习能力。沿着这个方向，我们提出了一个注意辅助CNN模型的光谱空间分类的高光谱图像。具体地说，光谱注意力子网络和空间注意力子网络提出了光谱和空间分类，分别。它们都是基于传统的CNN模型，并结合注意力模块，以帮助网络专注于更具区分力的通道或位置。在最后的分类阶段，光谱分类结果和空间分类结果通过自适应加权求和方法组合在一起。为了评估所提出的模型的有效性，我们进行了实验上的三个标准的高光谱数据集。实验结果表明，该模型可以实现优越的性能相比，几个国家的最先进的CNN相关的模型。

2020-06-12cs.CVeess.IV

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

基于混合CNN降维的高光谱图像分类

Hyperspectral Image Classification: Artifacts of Dimension Reduction on Hybrid CNN

National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）；University of Messina（墨西拿大学）；Bahauddin Zakariya University（巴哈丁·扎卡里亚大学）；Innopolis University（因诺波利斯大学）

卷积神经网络（CNN）已被广泛研究用于高光谱图像分类（HSIC）。更具体地说，二维和三维CNN模型已被证明在利用高光谱图像的空间和光谱信息方面是高效的。然而，2D CNN仅考虑空间信息而忽略频谱信息，而3D CNN以高计算成本联合利用空间-频谱信息。因此，这项工作提出了一个轻量级的CNN（3D后接2D-CNN）模型，它通过将空间-光谱特征提取分布在一个更轻的模型上，并通过预处理来改善分类结果，从而显著降低了计算成本。五个基准高光谱数据集（即，SalinasA、Salinas、Indian Pines、Pavia University、Pavia Center和Botswana）用于实验评价。实验结果表明，与最先进的2D/3D CNN模型相比，除了常用的计算昂贵的设计选择之外，所提出的流水线在泛化性能、统计显著性和计算复杂性方面表现出色。

2021-01-25cs.CVcs.LGeess.IV