2021年高光谱图像论文复盘

你好，这里是《论文导读》，我是余结。

今天咱们一起来复盘2021年高光谱图像论文，这里主要来自《论文导读》专栏中介绍的100篇论文。

首先，我对这100篇论文进行了简单的统计分析，可以发现高光谱图像分类是最受欢迎的研究方向，其次是去噪，接下来是降维、超分辨率、异常检测和解混。

在高光谱图像分类论文中，我发现图神经网络是最常用的方法，与卷积神经网络不同，图卷积网络对图形结构数据进行半监督学习，并将其与非局部、注意力机制和流形学习等方法相结合。

此外，基于高光谱图像的空间和光谱信息，卷积神经网络、循环神经网络和生成对抗网络等深度学习方法也被大量应用于高光谱图像分类。

去噪是一个底层的图像处理问题，除了高光谱图像去噪论文外，我还介绍了普通图像去噪论文，主要来自CVPR和TIP等顶级会议和期刊。

关于去噪方法，主要包括传统的模型优化方法和基于数据的深度学习方法，在模型优化方法中，通过设计正则项的方式，挖掘高光谱图像的空间和光谱信息，比如稀疏性、非局部自相似性，光谱相关性等，具有模型简单，可解释性强，但是去噪能力有待提升。

基于数据的深度学习方法，通过设计一种新的网络结构，挖掘高光谱图像信息，这需要大量的数据来训练网络参数，去噪性能好，但是网络结构复杂，计算量大，可解释性不强。

近两年来，为结合模型优化和深度学习方法的优缺点，研究人员提出了模型引导网络结构设计的方法，将模型优化迭代过程看做是网络训练，这样既降低了网络设计的难度，还提升了网络的可解释性，同时增强去噪效果。

关于高光谱图像降维，主要有波段选择和特征提取两种方式，常见的波段选择方法是采用流形学习、子空间学习技术，利用高光谱图像光谱波段之间的高度相关性，降低高光谱图像维度。此外，将深度强化学习引入到无监督高光谱波段选择中，这是最近的研究热点。

高光谱图像超分辨率，也就是融合低分辨率高光谱图像和高分辨率多光谱图像，主要是设计两个不同的网络结构融合高光谱和多光谱图像信息，此外还有非局部注意力机制、生成对抗网络和自编码器网络等方法。

异常检测，也称作变化检测，这个问题的核心是如何建模背景信息和异常信息，可采取传统的稀疏和低秩学习方法，并且融合高斯混合模型。在深度学习方法中，使用卷积神经网络和基于编码-解码结构的注意力网络也能够有效地检测出高光谱图像中的异常信息。

高光谱图像解混是一个重要的预处理任务，主要有线性解混和非线性解混两种方式，早期使用稀疏低秩表示、张量分解和非负矩阵分解等模型，现在也主要是深度学习方法，主要以自编码器网络及其变体方法为代表。

以上就是对这100篇论文的简单梳理，我主要有三点启发：

结合模型驱动的优化方法和数据驱动的学习方法，这会是一个重要的研究方向，除了应用到高光谱图像处理，在其他的计算机视觉任务也会有所帮助。

高光谱图像是一个三维结构数据，充分挖掘三维数据本身特性外，我们的眼光也要关注二维数据，以及其他形式的三维数据，比如视频等，这能从不同的视角带来启发。

将以往的方法进行模块化和简单化，以即插即用的方式嵌入到深度模型和网络结构里，在提升有效性的同时，降低方法的复杂性。

如有侵权，请联系本站删除！