光谱图推理网络用于高光谱图像分类
本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从RGB观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。
Jun, 2018
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
本研究提出了一种名为 SpectralFormer 的新型网络，它采用了变形金刚模型，从时序的角度重新构思了超光谱图像分类问题，并在三个数据集上证明了其优越性。
Jul, 2021
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
本文介绍了一种称为Specformer的基于自注意机制的可学习集合对集合谱滤波器，实现对图形代表的编码，在单个样本数据集上进行测试并比其他谱GNN表现更好。
Mar, 2023
使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述，同时总结了相关数据集和处理技术的基准评估。
Oct, 2023
我们提出了一种基于3D卷积引导的光谱-空间Transformer（3D-ConvSST）的高光谱图像分类方法，该方法利用3D卷积引导的残差模块（CGRM）在编码器之间来“融合”局部空间和光谱信息以增强特征传递，并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验，证明了所提出模型相比传统的、卷积和Transformer模型的优越性。
Apr, 2024
本研究解决了高光谱影像分类中视觉变换器相较于卷积神经网络的理论优势问题。提出了一种统一的分层光谱视觉变换器架构，集成了多种混合模块，实现了对局部特征的有效提取。研究表明，视觉变换器的独特强度源于其整体架构，而非单独的多头自注意力组件。
Sep, 2024