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

本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

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

本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

Apr, 2020

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

本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

May, 2022

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

利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

May, 2024