GRSM2026
进步的幻象？高光谱深度学习为何需要现代基准
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。