Onboard Processing of Hyperspectral Imagery: Deep Learning Advancements, Methodologies, Challenges, and Emerging Trends

近年来，深度学习技术的最新进展在高光谱图像处理方面引起了广泛关注。本文全面回顾了该领域的最新发展，重点关注方法学、挑战和新兴趋势。本文考察了卷积神经网络（CNNs）、自编码器、深度置信网络（DBNs）、生成对抗网络（GANs）和递归神经网络（RNNs）等深度学习架构在处理高光谱数据方面的适用性。本文确定了关键挑战，包括有限的训练数据和计算限制，并提出了使用GANs进行数据增强和降噪的策略。本文讨论了不同网络架构的有效性，重点介绍了轻量级CNN模型和1D CNNs在机载处理中的优势。此外，本文探讨了硬件加速器（特别是现场可编程门阵列（FPGAs））提高处理效率的潜力。本文以对正在进行的研究趋势的洞察为结论，包括将深度学习技术整合到地球观测任务中，例如CHIME任务，并强调了需要进一步探索和完善深度学习方法学以应对高光谱图像处理的不断发展需求。

本论文旨在综述深度学习在高光谱图像处理中的最新发展，包括方法、挑战和新趋势。

论文探讨了卷积神经网络（CNNs）、自编码器、深度置信网络（DBNs）、生成对抗网络（GANs）和循环神经网络（RNNs）等深度学习架构在处理高光谱数据方面的适用性，并提出了应对有限训练数据和计算限制的策略。

论文强调了轻量级CNN模型和1D CNN在机载处理中的优势，探讨了硬件加速器，特别是可编程逻辑门阵列（FPGAs）在提高处理效率方面的潜力。此外，论文还探讨了将深度学习技术集成到地球观测任务中的趋势，并强调了需要进一步探索和完善深度学习方法来应对高光谱图像处理的不断发展需求。

近期相关研究包括将深度学习应用于遥感图像分类、基于深度学习的高光谱图像压缩和重构、以及利用深度学习技术进行高光谱图像去噪等。