本文综述了基于深度学习的高光谱影像分类方法，并比较了几种解决方案。该框架将相关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三部分，最后，基于实际高光谱数据验证了几种典型的深度学习分类算法。

Oct, 2019

本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

Feb, 2018

应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

Mar, 2024

本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行比较，结果表明所提出的算法在分类高光谱图像时既高效又有效。

Nov, 2016

通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

Jun, 2022

本文探讨了遥感图像分类在监督和非监督学习方面的研究，并比较了多种分类方法，其中 Mahalanobis 分类器表现最佳。

Feb, 2010

该研究提出了基于格子密度的聚类技术和规则归纳机器学习算法，应用于卫星图像的目标识别和分类，经过多个合成和基准数据集验证。

Mar, 2022

本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

Apr, 2023

使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述，同时总结了相关数据集和处理技术的基准评估。

Oct, 2023

提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法，该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程，从而对样本之间的全局空间 - 光谱关系进行建模，提取的特征可以从重建的训练样本分布中获得更好的分类性能。

Apr, 2023