與傳統光學遙感相比，高光譜遙感圖像具有數百個獨立光譜波段，能夠更精確地識別地表物質。然而，標注樣本稀缺長期以來嚴重制約了其實際應用。現有研究普遍采用少樣本學習范式，雖在一定程度上緩解了樣本不足的問題，但由于缺乏對跨域光譜信息的一致性約束，加之數據稀缺導致模型規模難以擴展，其跨域泛化能力仍然受限。
針對上述問題，中國科學院西安光學精密機械研究所團隊，創新性地提出了一種基于視覺大模型的高光譜少樣本分類框架SpectralDINO。該框架通過源域光譜對齊模塊統一各數據域的光譜信息，增強模型學習跨域通用特征能力。團隊同時設計了一種新型低秩適應（LoRA）模塊，并使用交替訓練策略對視覺大模型進行微調，通過雙混合子空間的設計，解決了原始LoRA無法區分跨域數據的結構性問題。
實驗顯示，該方法有效提升了模型從少量樣本提取特征的泛化能力，提高了模型在高光譜少樣本分類任務中的表現，在多個公開數據集上超越現有先進方法并實現了最佳分類準確率，為環境檢測、精準農業等遙感應用提供新的技術路徑。
相關研究成果發表在《IEEE地球科學與遙感學報》（IEEE Transactions on Geoscience and Remote Sensing）上。研究工作得到國家自然科學基金、陜西省自然科學基礎研究計劃、陜西省重點研發計劃等的支持。
論文鏈接
SpectralDINO模型框架
不同方法在Pavia University數據集上的分類結果
本文鏈接：基于視覺大模型的高光譜遙感處理研究取得進展http://www.sq15.cn/show-12-1914-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 反射式超表面產生完美渦旋光束研究取得進展