利用背景数据集，引入了对比多元奇异谱分析这种无监督的方法，可将目标时间序列数据进行降维和信号分解，这种方法不仅能识别能够解释最大方差的信号，还能找到对分析员来说最重要的信号，我们在合成案例和电心图数据集聚类中验证了该方法的实用性。

Oct, 2018

最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出 6.90 倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

Jan, 2024

应用 PCA 算法在高性能设备上实现降维以增加高光谱成像算法的效率和性能，并与 FPGA 实现进行比较以揭示各自的优缺点。

Mar, 2024

本研究提出了针对文档图像的新型盲式高光谱图像去模糊方法，它利用高光谱图像的低秩属性和文本优化图像先验来进行 PSF 估计和去模糊。初步结果表明，该方法在所有光谱带上都可以得到良好的结果，成功地消除了模糊和噪声引起的图像伪影，并显著增加了可以用于进一步分析的波段数。

Mar, 2023

本文研究了利用主成分分析（PCA）和随机主成分分析（R-PCA）结合支持向量机（SVM）和轻量级梯度提升机（LightGBM）对高光谱图像进行分类的方法，实验结果表明，对于 Indian Pines 和 Pavia University 两个数据集，PCA 在 SVM 方面表现优于 R-PCA，但在 LightGBM 方面表现相近，Pavia University 和 Indian Pines 的最高分类准确率分别为 0.9925 和 0.9639。

Mar, 2024

通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。

Apr, 2024

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

扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

Jan, 2024

本文综述了寻找好的波段来分类区域项目的方法。一些方法利用互信息和阈值选择相关图像，而其他方法则控制和避免冗余。作者提出的仪表板有助于分析假定的特征选择和提取软件。

Oct, 2022

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