本文目录一览：

• 1、高光谱数据集

高光谱数据集

SpecDETR：基于Transformer的高光谱点目标检测网络创新点：简洁高效的DETR解码器：SpecDETR将点目标检测视为一对一多集合预测问题，实现了一个简洁而高效的DETR解码器。这一设计在点目标检测的参数量和准确性方面超越了当前最先进的DETR解码器，为高光谱点目标检测提供了新的解决方案。

发布方：中国科学院空间应用工程与技术中心下载地址：载人航天工程空间科学与应用数据共享服务平台论文地址：ygxb.ac.cn/thesisDetail...发布时间：2017简介：包含天宫一号高光谱成像仪获取的9个典型地物场景的204个高光谱影像数据，分辨率从5m至20m不等，数据量490MB。

数据立方体：高光谱图像形成的数据是三维的，称为数据立方体，提供了目标物体的多视角细节分析。通过对应位置和光谱信息，可以获取精确的分析结果。技术优势：高光谱成像技术的独特之处在于能够从目标物体的任意位置获取信息，提供详尽的数据集，为物质识别、分类和分析提供了强有力的支持。

传统的CNN方法在高光谱图像恢复方面取得了一定进展，但其对局部关系进行建模的方式在捕获远程依赖关系方面存在局限性。此外，由于高光谱图像数据集规模较小，深度学习方法的训练效果也受到限制。因此，需要一种能够捕获全局光谱信息和全局空间信息，同时能够利用有限训练样本的模型。

核心问题与解决方案CNN的局限性：传统CNN难以建模高光谱图像（HSI）中的空间-光谱联合表征及长距离依赖关系，且RGB图像修复方法因数据量差异和光谱维度缺失无法直接迁移至HSI。解决方案：引入RGB数据集：通过同类型任务（如超分辨率）的RGB数据集作为辅助数据，弥补HSI数据量不足的问题。

欢迎进入本文探讨，本研究致力于提升高光谱图像（HSI）分类技术的效率与精度，特别关注于卷积神经网络（CNN）与主动学习的结合应用。研究通过一个集成框架实现，旨在减少标注成本的同时，提高分类性能。