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

提出了一种利用少量标注数据的主动迁移学习和深度神经网络的方法去对高光谱图像进行分类，其主要方法是通过分层堆叠稀疏自编码网络进行深度光谱空间特征提取，并借助主动学习策略从源域和目标域中筛选所需有限的标注样本进行有监督微调，对比实验表明该方法较传统和深度网络方法更具优势。

Apr, 2019

提出了一种新的主动领域自适应方法来结合可见光与热成像模态，选择最具信息价值的未标记目标样本并在源域和目标域之间进行对齐，在可见光到热成像任务中，可以发现没有明确领域对准的方法不能充分利用数据，通过广泛的试验评估，显示出该方法优于现有的主动领域自适应方法。

Apr, 2023

D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.

Feb, 2022

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

本文提出了一种基于多目标领域的自适应 SSVM（A-SSVM）的分层自适应方法，通过利用共性和差异性，提高了目标识别的准确性及精度。对行人检测和对象类别识别进行了验证，发现所提出的 HA-SSVM 相对于其他自适应策略，可以提高识别准确率，并且可以更好地发现目标数据的子域结构。

Aug, 2014

利用 Poincaré 超球模型的变化，提出了一种新的数据获取策略，称为 “HALO”，它可以用极少量的标签（即 1％）首次超越监督学习性能，该方法在解决域漂移下的语义分割中具有潜在的应用。

Jun, 2023

我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

May, 2018

该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

May, 2017

基于深度学习的高光谱图像超分辨率技术通过深度神经网络融合高光谱图像和多光谱图像，实现了在真实世界场景中的应用，并且提出了一种新的对抗自动数据增强框架 ADASR，它通过对样本对进行优化和增强来丰富数据多样性，有效提高了训练效果。

Oct, 2023