本文介绍了一种新颖的方法：将 3D Swin Transformer 和 Spatial-spectral Transformer 的注意力机制进行融合，从而显著提高高光谱图像的分类性能。该方法不仅优化了空间和光谱信息的建模，还实现了更精确和准确的分类结果，通过在基准高光谱图像数据集上进行实验和评估，表明了融合方法的有效性，展示了其相对于传统方法和独立变换器的优越性。同时，采用独立的训练、验证和测试样本增强了所提出方法的鲁棒性和可靠性，并突出了其推动高光谱图像分类领域的潜力。

May, 2024

提出了一种名为 SaaFormer 的新型用于处理高光谱图像分类的深度学习模型，采用块状采样方法来减少数据泄露，该模型包含两个主要组成部分：轴向聚合注意力和多级光谱 - 空间提取结构。在六个公开数据集上的结果表明，在块状采样分区时，该模型的性能明显优于其他方法。

Jun, 2023

利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

Mar, 2024

通过提出单向调整（SDT）策略，我们解决了视觉 Transformer (ViT) 模型在高光谱成像 (HSI) 分类中训练样本数量有限的矛盾；此外，我们引入了一种新的 Tri-Former，并进行了比较实验证明其在多个 HSI 数据集上表现优于其它同类方法。

Sep, 2023

通过空中高光谱图像，利用具有极高空间和光谱分辨率以及覆盖广泛光谱领域的特点，进行大型城市地表覆盖的绘制。然而，由于训练数据的有限性，利用现有机器学习算法对地表覆盖进行绘制的能力受到了严重限制。针对标记数据的稀缺性，半监督和自监督技术引起了社区的广泛关注。因此，我们在本文中发布了 Toulouse Hyperspectral 数据集，以满足光谱表示学习和大规模高光谱图像分类中的关键问题。此外，我们讨论和实验了 Masked Autoencoders 的自监督任务，并建立了一个基于常规自编码器与随机森林分类器相结合的像素级分类基线，实现 82％的总体准确性和 74％的 F1 得分。

Nov, 2023

通过探索协同训练的不同维度及其对抗同质化，我们的多样化协同训练在 Pascal 和 Cityscapes 数据集上大幅优于现有方法，通过仅使用 92、183 和 366 张标记图像，在 Pascal 数据集上取得了 mIoU 分别为 76.2%、77.7% 和 80.2% 的最佳结果，超过之前的最佳结果超过 5%。

Aug, 2023

本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

Jun, 2023

利用 SoHO/EIT 和 SDO/AIA 171 Å 调查的时间重叠，训练了一组深度学习模型，用于创建两个太阳循环期间极紫外图像的单一均匀调查，通过 'Approximate Bayesian Ensembling' 方法生成模型集合，展示了模型集合对预测的巨大价值，并展示了在训练数据中未很好表示的测试数据中较高的不确定性。

Aug, 2023

通过结合多模态图像，本文提出了一种基于 Transformer 的异质显著图形表示（THSGR）方法，以实现更加细致、准确的地表覆盖解释，并且在多个基准数据集上展示了该方法的性能。

Nov, 2023

通过引入包含不同应用领域（食品检查、遥感和回收）的创新基准数据集，本研究解决了目标数据集规模有限的限制，从而促进了高光谱图像模型能力的全面评估，并提供了最先进技术的深入研究和更加稳定的训练流程。

Sep, 2023