本文提出了一种新的实时高光谱似然图辅助跟踪方法（HLT），通过自适应融合方法将多波段高光谱图像的似然图结合为一个更具区分度的表示，实现了基于在线学习生成目标模型的目标检测，结果表明 HLT 在实现高光谱目标跟踪方面表现优异。

Jul, 2017

HPFormer 是一种基于 Transformer 的新方法，利用其强大的表示学习能力来提高视觉跟踪性能，并通过 Hyperspectral Hybrid Attention（HHA）模块实现特征提取和融合，以及通过 Transform Band Module (TBM) 从完整的高光谱输入中选择性地聚合空间细节和光谱特征来注入有信息的目标表示，通过在基准 NIR 和 VIS 跟踪数据集上进行的广泛实验表明，HPFormer 具有最先进的性能，从而提供了利用 Transformer 和高光谱融合来改进鲁棒目标跟踪的新见解。

Aug, 2023

利用高光谱图像的物质信息提出了材料特征表示和基于材料的物体跟踪方法，并构建了一个全面标注的数据集进行实验验证。

Dec, 2018

本研究针对航空器智能追踪问题，采用自适应多模高光谱传感器和深度学习技术设计出深度高光谱核相关滤波追踪器并在数字成像和遥感图像生成软件中进行了综合评估及性能优化，最终发布了大规模空中车辆分类数据集。

Nov, 2017

提出了一种具有光谱角度感知的空间 - 光谱融合神经网络（SST-Net），用于高光谱目标跟踪。

Mar, 2024

本文提出了一种新的多帧光流追踪器（MOFT）用于卫星视频中的目标跟踪，该方法融合了 Lucas-Kanade 光流方法、HSV 颜色系统和积分图像，通过对三个 VHR 遥感卫星视频数据集的实验表明，该方法比目前先进的目标跟踪算法更准确。

Apr, 2018

提出一种通过新颖的相机设计和基于 ViT 的算法来减轻高光谱分割的数据占用和计算负担的方法。相机能够自适应地在不同分辨率下采样图像区域或补丁，而不是以高分辨率捕获整个高光谱立方体。分割算法与相机协同工作，仅将基于 ViT 的分割应用于自适应选择的补丁。通过模拟和实际硬件平台展示了精确的分割结果和减少的计算负担。

Jun, 2024

本文提出了一种融合神经网络、视觉语义分割、在自主驾驶场景下的 3D 目标检测方法，引入了一种名为 SRTs 的快速评估指标，并采用状态优化的多目标特征跟踪机制，实现了高精度和实时性的平衡，并在 KITTI 基准测试中验证了方法的有效性。同时，该方法首次将视觉语义与 3D 目标检测相融合。

Apr, 2019

本文提出了一种新型的基于深度学习的高光谱图像目标检测算法，该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用，使得在现有数据集上可实现更准确和可靠的结果。

Jun, 2023

我们介绍了 HyLITE，这是一种模型局部和光谱信息的视觉转换器，利用新型的正则化函数促进了局部到全局信息的整合，该方法在准确度上超过了竞争基准，并取得了高达 10％的增益。

Sep, 2023