针对现有高光谱图像分类方法难以充分建模光谱与空间维度的多尺度特征、不同地物类别对最优特征尺度的需求存在差异，以及深度网络特征冗余导致推理效率和模型可解释性受限等问题，提出一种面向高光谱图像分类的可拆卸多尺度神经网络。该方法从高光谱影像的空间—光谱多尺度特性出发，采用不同光谱与空间分辨率的并行分支，逐层构建多尺度特征提取网络，实现不同尺度下地物光谱特征与空间结构信息的协同建模；同时，在网络各阶段引入多尺度门控模块，根据输入影像的特征差异自适应选择有效分支，抑制冗余特征计算，提高模型推理效率。进一步设计融合层次聚类的两阶段训练策略，将地物类别的语义信息嵌入门控决策过程，增强不同地物类型与特征提取尺度之间的关联性，提高分支选择的可靠性与可解释性。该方法将多尺度空间—光谱特征学习、动态分支选择与语义引导优化相结合，在兼顾分类精度与计算效率的同时，实现对不同地物类别尺度需求的可解释建模，为构建高效、准确且具有尺度可解释性的高光谱遥感智能分类模型提供了新的技术途径。
针对现有基于扩散模型的高光谱图像超分辨率重建方法主要采用噪声预测策略，存在重建目标与高分辨率图像恢复任务不直接一致、难以充分保持高光谱数据的空间—光谱结构及波段间相关性等问题，提出一种基于直接图像预测的高光谱图像超分辨率重建方法。该方法突破传统扩散模型依赖噪声预测的间接重建范式，将高分辨率高光谱图像作为网络直接预测目标，在高光谱图像数据分布上开展扩散建模，使生成过程更加契合高光谱数据的物理特性与空间—光谱结构。在此基础上，构建由光谱保持嵌入模块、空间—光谱Transformer编码模块及显式光谱重建模块组成的超分辨率重建框架，通过光谱特征保持、空间与光谱信息联合建模以及显式光谱恢复，增强模型对精细空间纹理、光谱连续性及波段间关联特征的表征能力，降低重建过程中的光谱失真。该研究将生成式扩散建模与高光谱数据自身特性相结合，推动高光谱超分辨率重建从间接噪声预测向直接图像恢复转变，为高保真高光谱图像重建及空间—光谱信息协同恢复提供了新的技术思路。
针对高光谱遥感图像分类研究长期依赖经典基准数据集、现有数据集规模有限、场景多样性不足及重复使用导致性能评价趋于饱和等问题，系统综述高光谱图像分类基准数据集的发展历程、应用现状及其对算法研究与性能评价的影响。该研究以Indian Pines、Salinas、Pavia、Kennedy Space Center和Botswana等经典数据集为代表，分析传统基准数据集在样本规模、类别分布、场景复杂性及真实应用代表性等方面的局限，探讨深度学习快速发展背景下现有数据集与模型表征能力、跨场景泛化需求之间的不匹配问题。重点剖析传统高光谱分类实验中数据划分、训练与测试样本空间相关性、信息泄漏及评价协议不统一等因素对模型性能比较的潜在影响，揭示基准数据集局限可能造成的算法性能高估与研究进展失真问题。在此基础上，提出面向新一代高光谱遥感分类基准的数据集建设与评价体系发展方向，强调扩大数据规模、增强场景与传感器多样性、规范实验划分及强化跨域泛化评估的重要性，为构建更具真实性、代表性和可靠性的高光谱遥感基准数据集，推动高光谱图像分类研究从基准性能优化向实际场景泛化能力提升转变提供参考。
针对传统高光谱异常检测方法主要依赖像素级异常得分图、难以实现异常目标实例自动提取与跨场景关联匹配，以及大规模多源高光谱数据处理中人工分析效率受限等问题，提出一种跨场景高光谱异常实例发现框架（CrossSID），实现像素级异常检测、目标实例提取与跨场景实例匹配的一体化处理。该方法构建统一的三级任务体系与层次化评价机制，首先设计自监督场景鲁棒关系编码器（SRRE），学习不同场景间具有可比性的光谱关系特征，增强异常目标表征的跨场景一致性与泛化能力；其次，联合像素级嵌入特征、原始光谱信息及免训练关系描述符，利用马氏距离构建多源异常度量，并通过尺寸条件融合策略生成综合异常得分图；进一步提出分位数自适应种子生长算法，实现无需逐场景人工调整阈值的异常目标实例提取；最后，基于异常得分加权的实例特征聚合方法构建目标描述符，实现跨航线、跨传感器条件下的异常实例检索与匹配。该研究推动高光谱异常检测从传统像素级异常识别向实例级目标发现与跨场景关联分析拓展，为大规模高光谱遥感数据的自动化解译、异常目标持续监测及多源遥感信息关联应用提供了新的技术途径。
针对高光谱异常检测中弱小目标易受高维光谱数据及复杂异质背景干扰、传统方法依赖较强的背景分布假设，以及现有特征提取方法对频域信息利用不足、难以有效区分微弱异常与背景等问题，提出一种基于分数阶域感知与对比统计正则化网络的高光谱异常检测方法（FDCRN）。该方法以扩散模型为基础框架，通过频域特征增强、空间—光谱信息融合及特征分布校正三个方面提升复杂场景下的背景抑制与异常识别能力。首先，设计轻量化分数阶傅里叶变换（LFrFT）模块，利用可学习的分数阶参数自适应调节光谱频率分量，挖掘弱小异常目标与复杂背景之间的细微频域差异；其次，构建多尺度空间—光谱增强（MSSE）模块，采用深度可分离卷积提取多尺度空间特征，并与光谱信息协同融合，增强弱小目标的空间—光谱关联表征能力；进一步引入统计自适应与对比学习（SACL）模块，动态校正特征分布偏移，扩大异常目标与背景特征之间的判别距离，提高复杂背景下的异常区分能力。该研究将分数阶频域分析、多尺度空间—光谱建模与对比统计约束相结合，为复杂场景下高光谱弱小异常目标的精细识别与鲁棒检测提供了新的技术途径。
针对现有高光谱目标检测方法高度依赖目标先验光谱或像素级标注、易受光照条件、大气环境及传感器差异影响，以及传统弱监督多实例学习方法对像素空间依赖关系建模不足、目标定位精度受限等问题，提出一种基于图结构与位置感知的弱监督多实例学习高光谱目标检测方法（GSPT-MIL）。该方法无需目标先验光谱及像素级标注，仅利用区域级（包级）标签实现像素级目标检测，显著降低模型训练对精细标注信息的依赖。首先，构建基于期望最大化（EM）的迭代优化框架，通过交替执行目标位置推断与特征模型优化，实现弱监督条件下的目标定位与判别特征学习；在期望步（E-step）中，设计局部相似性图卷积模块，利用像素间的局部相似关系与空间依赖信息推断潜在目标位置；在最大化步（M-step）中，引入多尺度上下文位置编码器，融合绝对位置信息与多尺度空间上下文特征，并结合光谱—空间特征对齐网络增强目标与背景之间的特征判别能力。该研究将图结构空间关系建模、位置感知特征学习与弱监督迭代优化相结合，为减少高光谱目标检测对先验光谱及精细标注数据的依赖、提升复杂场景下的目标定位与识别能力提供了新的技术途径。
第 1 / 1 页 · 每页 20 篇
