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

提出了一种像素和超像素对比学习与伪标签校正方法（PSCPC），用于高光谱图像聚类，通过超像素和少量像素的类比学习，合理地捕捉区域特定和细粒度特征，提出了伪标签校正模块来对齐像素和超像素的聚类伪标签，利用像素级聚类结果监督超像素级聚类，提高模型的泛化能力。广泛的实验证明了 PSCPC 的有效性和效率。

Dec, 2023

本文介绍了一种随机标签传播算法，该算法利用超像素的谱空间约束信息对标签噪声进行清理以改善高光谱图像分类问题。实验证明，该算法在减少标签噪声以及在平均准确率、平均精确率和 Kappa 系数上具有显著优势。

Sep, 2018

本研究介绍了一种新的无监督高光谱图像聚类算法，名为 S2DL（基于超像素和空间正则化扩散学习），它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素，并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远，被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后，对每个超像素内分配的标签进行多数投票，将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证，即 Indian Pines，Salinas 和 Salinas A。此外，我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功，表明其在各种重要的无监督遥感分析任务上具有高效性。

Dec, 2023

本文介绍了一种称为 Low Rank 和 Sparsity Constraint Plug-and-Play（LRS-PnP）的新型 HSI 缺失像素预测算法，并通过将 LRS-PnP 与 Deep Image Prior（DIP）结合成为一种自监督模型，称为 LRS-PnP-DIP，实现了与其他基于学习方法相比的先进修补性能或者超越它们的性能。

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

本文介绍了两种新型的自我监督高光谱图像修复算法：低秩和稀疏约束插入并播放（LRS-PnP），以及其扩展 LRS-PnP-DIP，其具有强大的学习能力，但仍然不需要外部训练数据。该算法能够稳定地收敛，并具有实际应用价值。广泛的实验表明，所提出的解决方案能够产生视觉和定性上优于现有方法的图像修复结果。

Jun, 2023

本文通过利用不完全的标签比例解决了整个切片图像中肿瘤亚型的分割问题，提出了一个高效的算法将其分解为两个弱监督学习子问题：多实例学习和从标签比例中学习，从而有效地进行优化。该算法在两个整个切片图像数据集上经过实验证明了其有效性。

May, 2024

本研究提出了一种称为 SuperPCA 的简单但非常有效的超像素 PCA 方法，以学习 HSI 的内在低维特征，通过超像素分割将空间上下文信息纳入无监督的降维，该方法能够提取判别性、紧凑且抗噪声的潜在低维特征，从而改善 HSI 分类性能。

Jun, 2018

通过众包标注系统和基于伪标签和对比学习的新方法，解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题，实现了半监督部分标签学习的最先进表现。

Oct, 2022