高光谱和多光谱影像已成为地球观测中的关键数据来源,其丰富的光谱信息能够支持精确的物质识别与环境监测。在过去十年中,以卷积神经网络(CNN)、视觉Transformer(ViT)以及近年来提出的状态空间模型(如Mamba)为代表的深度学习模型,显著推动了这类数据的自动化解译能力。然而,这些模型的性能通常依赖于大量高质量标注数据,而在光谱领域,由于外业测量成本高昂,这类数据往往难以获取。为应对这一“小样本”挑战,研究正迅速转向遥感基础模型(Remote Sensing Foundation Models)以及扩散模型(Diffusion Models)、流匹配(Flow Matching)等生成式方法的发展。这些方法通过利用海量未标注数据学习通用表征,从而在标注稀缺的情况下依然提升模型的泛化能力与性能。鉴于对稳健且可扩展监测方案的需求不断增加,持续探索能够弥合有限标注与高维光谱分析之间差距的创新架构显得尤为重要。
本特刊旨在传播高光谱与多光谱遥感领域中深度学习新架构及其实际应用的最新研究成果,重点关注分类、分割、重建和解混等任务。该主题与《Remote Sensing》期刊范围高度契合,尤其属于人工智能方向。本特刊的主要目标是展示基础模型与先进学习策略如何在复杂场景中减少对大规模标注数据的依赖,同时保持较高的精度。我们欢迎围绕光谱—空间建模理论挑战以及在数据稀缺的真实环境中的实际应用展开的研究工作。
本特刊同时欢迎综述性文章和原创研究论文投稿。征稿重点不仅包括新型基础模型的开发,也涵盖对现有深度学习框架的创新性改进,如小样本学习、自监督预训练以及参数高效微调等。主题包括但不限于:光谱—空间基础模型、小样本与零样本学习、用于数据增强的生成式人工智能,以及这些先进模型在精准农业、矿产勘探和城市变化检测中的应用。
关键词
hyperspectral/multispectral imagery;
deep learning;
foundation models;
small-sample learning;
self-supervised learning;
environment monitoring and prediction;
generative AI;
spectral–spatial modeling; i
mage classification/segmentation;
transfer learning
投稿须知
所有稿件将接受同行评审。文章一经接收即在线发表。投稿请通过MDPI官网在线提交,选择本专刊名称。论文可以为原创研究、综述或技术简报。请在投稿系统正确选择“Deep Learning Innovations: Small Samples and Foundation Models for Hyperspectral/Multispectral Imagery”专刊。
专刊链接
https://www.mdpi.com/journal/remotesensing/special_issues/EDKQB76074