本文提出了一种结合对比度学习和自编码器的无监督特征学习方法，称为 prototypical contrastive learning，用于高光谱分类，该方法通过两个自编码器网络和对比学习网络的优化来提高表征能力，取得了比其他对比方法和某些监督方法更好的性能表现，并在保持性能的同时提高了特征提取速度并减少了计算资源需求，为无监督对比学习的研究提供了方便。

Sep, 2020

该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

Oct, 2013

通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

Jun, 2022

我们提出了一种通用的知识嵌入对比学习框架（KnowCL），用于监督、无监督和半监督的高光谱图像分类，该框架基于一套新的高光谱图像处理流程，结合了多种数据转换和增强技术，提供了多样化的数据表示和现实数据分区，同时采用了一种新的损失函数，可以自适应地融合有监督损失和无监督损失，提高了学习性能。

Apr, 2024

本文提出了一种名为 Supervised Contrastive Regression（SupCR）的框架，该框架通过比较样本之间的目标距离来学习具有回归意识的表示，可以与现有回归模型组合以提高性能，在计算机视觉、人机交互和医疗保健等五个真实回归数据集上的实验证明，使用 SupCR 可以达到最先进的性能，同时在所有数据集、任务和输入模式上，始终提高了回归基线的性能。此外，SupCR 还可以改善对数据损坏的鲁棒性，对减少的训练数据的弹性，以及奇异目标的学习泛化能力。

Oct, 2022

本文介绍对比学习（Contrastive Learning）是一种自监督机器学习算法，可从多维数据集中提取信息，特别适用于天文学中的已知仪器效应去除和使用有限数量标签进行监督分类和回归，是开展天文学基础模型的一个有前途的途径。

Jun, 2023

本文提出了一种基于数据增强图的对比学习新概念，该概念能够以神经网络表示为对比学习目标提供详细的光谱分解损失，并在理论上证明了具有可验证的精度保证的特征学习方法，同时以实验证明其与一些强大基线方法相当或更好地匹配在基准视觉数据集上。

Jun, 2021

本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

Nov, 2020

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