提出了一种自适应的空间 - 光谱图卷积网络，其中包括一个空间图卷积子网络、一个光谱图卷积子网络和一个图交叉注意力融合模块，通过加入注意力机制，融合了空间和光谱特征，并探索了优化图形的思想，在两个高光谱图像数据集上实验证明了该方法比其他分类方法具有更好的性能。

Apr, 2022

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

通过从频谱中提取低频谱显著性和高频谱边缘两个不同的频率成分，利用频谱特征，我们引入一种新颖的轻量级 SMN 网络用于提取输入高光谱图像中的显著性和边缘信息，该方法在 HSOD 性能方面优于现有的先进方法。

Dec, 2023

本文提出了一种基于超光谱人脸图像的分光和聚合策略（SSAS）的深度学习技术，以解决训练样本非常有限的超分辨率问题。在浅层中，我们将超光谱图像分成不同的光谱组，并在深层逐渐聚合相邻的波段以利用光谱相关性。通过扩展训练样本，这种 SSAS 策略可以将原始的超光谱图像分成多个样本，以支持网络的高效训练并有效地利用光谱相关性。实验结果表明，提出的 SSANet 模型可以很好地模拟空间和光谱信息的联合相关性，同时能够有效缓解训练样本数量有限的问题。

Aug, 2021

通过提出一种名为 DMSSN 的新方法，利用深度网络进行多波段图像数据降维和特征提取，实现了对复杂场景下的高光谱显著目标的精确检测，同时创建了一个大规模的高光谱显著目标检测数据集 HSOD-BIT。

Mar, 2024

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

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

本文介绍了一种基于极化信息的多模态融合方法，利用单次极化传感器构建了首个 RGB-P 类数据集，并且在各种实验中证明了 EAFNet 方法的有效性和可适应性。

Nov, 2020

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

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