Pixel Adaptive Deep Unfolding Transformer for Hyperspectral Image Reconstruction 1. 摘要2. 目的3. 网络设计3.1 Problem Formulation3.2 Revisting the Deep Unrolling Framework3.3 Framework3.3.1 Pixel-Adaptive

Remote Sens. 2020, 12(6), 923; 1、摘要 这篇文章旨在探索如何仅使用少量标记样品对新的高光谱图像进行准确分类。使用元学习（meta-learning）来训练分类器。本文提出的方法能够用少量的样本达到很好的分类效果，主要基于以下两个原因：第一，使用元学习策略来设计特征学习模块和关系学习模块；第二，本文提出的分类器能够持续的从大量不同的样本中学习如何增强自己的学习能力。

Deep Learning for Classification of Hyperspectral Data: A Comparative Review 原文内容较丰富，仅摘取部分用于个人学习 INTRODUCTION 由于大多数高光谱传感器的空间分辨率较低，因此为计算机视觉而设计的深度学习技术不容易转移到高光谱数据中，因为在大多数情况下，光谱维度胜过空间信息。与光学图像相比，数据的volum

Zero-Shot Hyperspectral Sharpening 论文链接：Zero-Shot Hyperspectral Sharpening 代码： ZSL_officialZSL_format 摘要 ​ 近年来CNN在光谱图像融合锐化效果出色，然而这些方法往往缺乏训练数据，泛化能力有限，于是提出了一种用于光谱图象的Zero-Shot学习方法。 ​ 具体而言，我们首先提出了一种高

CNN和GCN的对比 GCN的相关paper Shahraki and Prasad [33] proposed to cascade 1-D CNNs and GCNs for HS image classification. CNN和GCN级联 Qin et al. [34] extended the original GCNs to a second-order version b