使用 3D 卷积神经网络、2D 卷积神经网络和双向 LSTM，利用 30％可训练参数，在印度 Pines（IP）、帕维亚（PU）和萨利纳斯（SA）数据集上，这个模型在所有三个数据集上表现更好，分别达到 99.83％、99.98％和 100％的准确率，超越了最先进的深度学习模型。

Feb, 2024

本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

Jun, 2023

我们提出了一种基于 3D 卷积引导的光谱 - 空间 Transformer（3D-ConvSST）的高光谱图像分类方法，该方法利用 3D 卷积引导的残差模块（CGRM）在编码器之间来 “融合” 局部空间和光谱信息以增强特征传递，并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验，证明了所提出模型相比传统的、卷积和 Transformer 模型的优越性。

Apr, 2024

本文提出使用三维卷积神经网络（3-D-CNN）的方法来融合多光谱（MS）和高光谱（HS）图像，以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间，并使方法对噪声更具鲁棒性。实验结果表明，与传统方法相比，所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。

Jun, 2017

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

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深度学习的方法，通过使用混合空间谱卷积神经网络（HSID-CNN）学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理，并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原，实验结果表明，该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。

Jun, 2018

引入了一种名为 Sharpened Cosine Similarity (SCS) 的方法来解决 Hyperspectral Image Classification 中的问题，这种方法可替代使用 Convolutional Neural Networks (CNN) 的方法并且比 CNN 更加高效。

May, 2023

通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示，本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性，这些附加信息改善了现有 HSI 数据集上模型的性能，并使其难以正确评估模型的能力。作者引入空间过拟合问题，并利用严格的实验设置来避免该问题。除此之外，论文还提出了一种用于 HSI 分类的多视图变换器，包括多视图主成分分析（MPCA）、光谱编码器 - 解码器（SED）和空间池化标记化变形器（SPTT）。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI，MPCA 能够提取低维视图表示，这些视图表示的组合被称为多视图表示，并作为 MPCA 的输出进行传递。为了聚合多视图信息，论文引入了具有在光谱维度上呈 U 形状的全卷积 SED，用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记，并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行，实验结果表明，所提出的多视图变换器优于现有方法，经过严格设置的三个 HSI 数据集上都取得了优越的性能。

Oct, 2023

本文提出了一种基于特定设计的超级卷积核的结构参数生成方法，将原始的复杂双重优化问题转化为易于实现的单阶优化方法，显著降低了搜索成本；同时，结合三维卷积分解机制，获得了不同类型的网络，大大提高了网络的灵活性，取得了超过其他先进的神经架构搜索方法的最优结果。

Apr, 2023