本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

Jun, 2023

通过使用分层非线性变换和分层矩阵分解建立了一种新的张量分解方法 (H2TF)，并基于此提出了一种基于 H2TF 的高光谱图像去噪模型和一种算法来解决该模型，并通过实验验证了该方法优于现有的状态 - of-the-art 高光谱图像去噪方法。

Apr, 2023

该研究提出了一种新的高光谱波段选择模型，通过将数据分解为低秩平滑组分和稀疏组分，采用广义三维总变差（G3DTV）和交替方向乘子法（ADMM）来提高计算效率和抑制空间 - 光谱平滑性，验证了该方法的有效性，并提供了参数选择的实用指南。

May, 2024

本文提出了一种不依赖于递归的多类总变分聚类算法框架，与最先进的 NMF 方法相比，结果大大优于以前的总变分算法。

Jun, 2013

本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

Apr, 2024

本研究介绍了一种新的无监督高光谱图像聚类算法，名为 S2DL（基于超像素和空间正则化扩散学习），它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素，并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远，被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后，对每个超像素内分配的标签进行多数投票，将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证，即 Indian Pines，Salinas 和 Salinas A。此外，我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功，表明其在各种重要的无监督遥感分析任务上具有高效性。

Dec, 2023

本文介绍了一种应用于高光谱遥感图像 (HSI) 的正 - 无标签学习 (PU learning) 方法，通过提出的 Taylor 变分损失函数和自校准优化策略，在有限标记 HSI 数据中实现了在过拟合和欠拟合之间的平衡，且在 7 个基准数据集 (共 21 个任务) 上的实验证实了该方法的有效性。

Aug, 2023

通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

Dec, 2023

利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

Mar, 2024

该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。

Mar, 2024