论文标题：Hyperspectral Image Classification -- Traditional to Deep Models: A Survey for Future Prospects 论文链接：https://arxiv.org/abs/2101.06116 作者单位：KFUEIT等 20页综述，共计257篇参考文献！本调研对HSIC(高光谱图像分类)的深度学习技术进行全面概述，介绍并比较了最新技术，还覆盖CNN、RNN、AE、DBN、无监督等技术。

高光谱成像（HSI）已在许多实际应用中得到广泛使用，因为它受益于每个像素中包含的详细光谱信息。值得注意的是，复杂的特性，即所捕获的光谱信息与HSI数据的相应对象之间的非线性关系，使得传统方法的准确分类具有挑战性。在过去的几年中，深度学习（DL）已被证实是一种功能强大的特征提取器，可以有效解决许多计算机视觉任务中出现的非线性问题。这促使DL用于HSI分类（HSIC）的部署，这显示了良好的性能。这项调查包括对HSIC的DL的系统概述，并比较了该主题的最新技术。首先，我们将为HSIC封装传统机器学习的主要挑战，然后我们将了解DL的优势来解决这些问题。这项调查将最新的DL框架分解为光谱特征，空间特征以及空间光谱特征，以系统地分析这些HSIC框架的成就（以及未来的方向）。此外，我们将考虑DL需要大量带有标签的训练示例的事实，而为HSIC获取这样的数量在时间和成本方面都是具有挑战性的。因此，本次调查讨论了一些改善DL策略泛化性能的策略，这些策略可以为将来提供指导。

内容中包含的图片若涉及版权问题，请及时与我们联系删除