Deep Learning Meets Hyperspectral Image Analysis: A Multidisciplinary 参考文献翻译

摸鱼仙人~2025-01-09 16:29

参考文献：

  1. Goetz, A.; Vane, G.; Solomon, J.E.; Rock, B. Imaging Spectrometry for Earth Remote Sensing. Science 1985, 228, 1147--53. [CrossRef]

    中文翻译：[1] 戈茨, A.; 凡, G.; 所罗门, J.E.; 洛克, B. 地球遥感的成像光谱学. 科学, 1985, 228, 1147--53. [CrossRef]

  2. Eismann, M.T. Hyperspectral Remote Sensing; SPIE Press: Bellingham, WA, USA, 2012.

    中文翻译：[2] 艾斯曼, M.T. 超光谱遥感; SPIE 出版社: 美国华盛顿州贝林汉姆, 2012.

  3. Lu, G.; Fei, B. Medical hyperspectral imaging: A review. J. Biomed. Opt. 2014, 19, 010901. [CrossRef] [PubMed]

    中文翻译：[3] 吕, G.; 费, B. 医用超光谱成像: 综述. 生物医学光学杂志, 2014, 19, 010901. [CrossRef] [PubMed]

  4. Sun, D.W. Hyperspectral Imaging for Food Quality Analysis and Control; Academic Press: Cambridge, MA, USA, 2010.

    中文翻译：[4] 孙, D.W. 超光谱成像用于食品质量分析与控制; 学术出版社: 美国马萨诸塞州剑桥, 2010.

  5. Lowe, A.; Harrison, N.; French, A.P. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress. Plant Methods 2017, 13, 80. [CrossRef] [PubMed]

    中文翻译：[5] 洛, A.; 哈里森, N.; 弗伦奇, A.P. 超光谱图像分析技术用于检测和分类植物病害和胁迫的早期发生. 植物方法, 2017, 13, 80. [CrossRef] [PubMed]

  6. Kamilaris, A.; Prenafeta-Bold, F.X. Deep learning in agriculture: A survey. Comput. Electron. Agric. 2018, 147, 70--90. [CrossRef]

    中文翻译：[6] 卡米拉里斯, A.; 普雷纳费塔-博尔德, F.X. 农业中的深度学习: 综述. 计算机与电子农业, 2018, 147, 70--90. [CrossRef]

  7. Fischer, C.; Kakoulli, I. Multispectral and hyperspectral imaging technologies in conservation: Current research and potential applications. Stud. Conserv. 2006, 51, 3--16.

    中文翻译：[7] 费舍尔, C.; 卡库利, I. 保护中的多光谱和超光谱成像技术: 当前研究和潜在应用. 保护研究, 2006, 51, 3--16.

  8. Khan, M.J.; Khan, H.S.; Yousaf, A.; Khurshid, K.; Abbas, A. Modern Trends in Hyperspectral Image Analysis: A Review. IEEE Access 2018, 6, 14118--14129. [CrossRef]

    中文翻译：[8] 汗, M.J.; 汗, H.S.; 优素福, A.; 轩, K.; 阿巴斯, A. 超光谱图像分析的现代趋势: 综述. IEEE 通路, 2018, 6, 14118--14129. [CrossRef]

  9. Lucas, R.; Rowlands, A.; Niemann, O.; Merton, R. Hyperspectral Sensors and Applications. In Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data; Springer: Berlin/Heidelberg, Germany, 2004; pp. 11--49.

    中文翻译：[9] 卢卡斯, R.; 罗兰兹, A.; 尼曼, O.; 梅顿, R. 超光谱传感器和应用. 在《遥感超光谱数据的高级图像处理技术》中; 施普林格出版社: 德国柏林/海德堡, 2004; 页码. 11--49.

  10. Gewali, U.B.; Monteiro, S.T.; Saber, E. Machine learning based hyperspectral image analysis: A survey. arXiv 2018, arXiv:1802.08701.

    中文翻译：[10] 格瓦利, U.B.; 蒙特罗, S.T.; 萨贝尔, E. 基于机器学习的超光谱图像分析: 综述. arXiv 2018, arXiv:1802.08701.

  11. Bengio, Y.; Courville, A.; Vincent, P. Representation Learning: A Review and New Perspectives. IEEE Trans. Pattern Anal. Mach. Intell. 2013, 35, 1798--1828. [CrossRef] [PubMed]

    中文翻译：[11] 本吉奥, Y.; 库维尔, A.; 文森特, P. 表示学习: 综述和新视角. IEEE 模式分析与机器智能汇刊, 2013, 35, 1798--1828. [CrossRef] [PubMed]

  12. Lowe, D.G. Object recognition from local scale-invariant features. In Proceedings of the Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, 20--27 September 1999; Volume 2, pp. 1150--1157.

    中文翻译：[12] 洛, D.G. 基于局部尺度不变特征的目标识别. 在《第七届 IEEE 国际计算机视觉会议论文集》中, 希腊科孚岛, 1999 年 9 月 20--27 日; 第 2 卷, 页码. 1150--1157.

  13. Dalal, N.; Triggs, B. Histograms of oriented gradients for human detection. In Proceedings of the International Conference on computer vision & Pattern Recognition, San Diego, CA, USA, 20--25 June 2005; IEEE Computer Society: Washington, DC, USA, 2005; Volume 1, pp. 886--893.

    中文翻译：[13] 达拉尔, N.; 特里格斯, B. 用于人体检测的方向梯度直方图. 在《国际计算机视觉与模式识别会议论文集》中, 美国加利福尼亚州圣地亚哥, 2005 年 6 月 20--25 日; IEEE 计算机学会: 美国华盛顿特区, 2005; 第 1 卷, 页码. 886--893.

  14. Li, W.; Chen, C.; Su, H.; Du, Q. Local Binary Patterns and Extreme Learning Machine for Hyperspectral Imagery Classification. IEEE Trans. Geosci. Remote Sens. 2015, 53, 3681--3693. [CrossRef]

    中文翻译：[14] 李, W.; 陈, C.; 苏, H.; 杜, Q. 局部二值模式和极限学习机用于超光谱图像分类. IEEE 地球科学与遥感汇刊, 2015, 53, 3681--3693. [CrossRef]

  15. Camps-Valls, G.; Bruzzone, L. Kernel-based methods for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 2005, 43, 1351--1362. [CrossRef]

    中文翻译：[15] 营斯-瓦尔斯, G.; 布鲁宗, L. 基于核的方法用于超光谱图像分类. IEEE 地球科学与遥感汇刊, 2005, 43, 1351--1362. [CrossRef]

  16. Ham, J.; Chen, Y.; Crawford, M.M.; Ghosh, J. Investigation of the random forest framework for classification of hyperspectral data. IEEE Trans. Geosci. Remote Sens. 2005, 43, 492--501. [CrossRef]

    中文翻译：[16] 哈姆, J.; 陈, Y.; 克劳福德, M.M.; 荷什, J. 随机森林框架用于超光谱数据分类的研究. IEEE 地球科学与遥感汇刊, 2005, 43, 492--501. [CrossRef]

  17. Camps-Valls, G.; Tuia, D.; Bruzzone, L.; Benediktsson, J.A. Advances in Hyperspectral Image Classification: Earth Monitoring with Statistical Learning Methods. IEEE Signal Process. Mag. 2014, 31, 45--54. [CrossRef]

    中文翻译：[17] 营斯-瓦尔斯, G.; 图亚, D.; 布鲁宗, L.; 本迪克特松, J.A. 超光谱图像分类的进展: 用统计学习方法进行地球监测. IEEE 信号处理杂志, 2014, 31, 45--54. [CrossRef]

  18. Liu, W.; Wang, Z.; Liu, X.; Zeng, N.; Liu, Y.; Alsaadi, F.E. A survey of deep neural network architectures and their applications. Neurocomputing 2017, 234, 11--26. [CrossRef]

    中文翻译：[18] 刘, W.; 王, Z.; 刘, X.; 曾, N.; 刘, Y.; 阿尔萨迪, F.E. 深度神经网络架构及其应用的综述. 神经计算, 2017, 234, 11--26. [CrossRef]

  19. Brendel, W.; Bethge, M. Approximating CNNs with Bag-of-local-Features models works surprisingly well on ImageNet. arXiv 2019, arXiv:1904.00760.

    中文翻译：[19] 布伦德尔, W.; 贝特格, M. 用局部特征包模型近似 CNN 在 ImageNet 上表现惊人地好. arXiv 2019, arXiv:1904.00760.

  20. Gori, M. What's Wrong with Computer Vision? In Proceedings of the IAPR Workshop on Artificial Neural Networks in Pattern Recognition---LNAI 11081, Siena, Italy, 19--21 September 2018; Springer: Berlin, Germany, 2018; pp. 3--16.

    中文翻译：[20] 戈里, M. 计算机视觉有什么问题? 在《模式识别中的人工神经网络 IAPR 工作坊论文集---LNAI 11081》中, 意大利锡耶纳, 2018 年 9 月 19--21 日; 施普林格出版社: 德国柏林, 2018; 页码. 3--16.

  21. Li, W.; Wu, G.; Zhang, F.; Du, Q. Hyperspectral Image Classification Using Deep Pixel-Pair Features. IEEE Trans. Geosci. Remote Sens. 2016, 55, 844--853. [CrossRef]

    中文翻译：[21] 李, W.; 吴, G.; 张, F.; 杜, Q. 使用深度像素对特征的超光谱图像分类. IEEE 地球科学与遥感汇刊, 2016, 55, 844--853. [CrossRef]

  22. Ran, L.; Zhang, Y.; Wei, W.; Zhang, Q. A Hyperspectral Image Classification Framework with Spatial Pixel Pair Features. Sensors 2017, 17, 2421. [CrossRef] [PubMed]

    中文翻译：[22] 柔, L.; 张, Y.; 韦, W.; 张, Q. 带有空间像素对特征的超光谱图像分类框架. 传感器, 2017, 17, 2421. [CrossRef] [PubMed]

  23. Zhang, L.; Zhang, L.; Du, B. Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art. IEEE Geosci. Remote Sens. Mag. 2016, 4, 22--40. [CrossRef]

    中文翻译：[23] 张, L.; 张, L.; 杜, B. 遥感数据的深度学习: 现状的技术教程. IEEE 地球科学与遥感杂志, 2016, 4, 22--40. [CrossRef]

  24. Ball, J.E.; Anderson, D.T.; Chan, C.S. Comprehensive survey of deep learning in remote sensing: Theories, tools, and challenges for the community. J. Appl. Remote Sens. 2017, 11, 11--54. [CrossRef]

    中文翻译：[24] 巴尔, J.E.; 安德森, D.T.; 陈, C.S. 遥感中深度学习的全面综述: 理论、工具和社区面临的挑战. 应用遥感杂志, 2017, 11, 11--54. [CrossRef]

  25. Zhu, X.X.; Tuia, D.; Mou, L.; Xia, G.; Zhang, L.; Xu, F.; Fraundorfer, F. Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geosci. Remote Sens. Mag. 2017, 5, 8--36. [CrossRef]

    中文翻译：[25] 朱, X.X.; 图亚, D.; 茉, L.; 夏, G.; 张, L.; 徐, F.; 弗劳恩多夫, F. 遥感中的深度学习: 综述与资源列表. IEEE 地球科学与遥感杂志, 2017, 5, 8--36. [CrossRef]

  26. Ghamisi, P.; Maggiori, E.; Li, S.; Souza, R.; Tarablaka, Y.; Moser, G.; Giorgi, A.D.; Fang, L.; Chen, Y.; Chi, M.; et al. New Frontiers in Spectral--spatial Hyperspectral Image Classification: The Latest Advances Based on Mathematical Morphology, Markov Random Fields, Segmentation, Sparse Representation, and Deep Learning. IEEE Geosci. Remote Sens. Mag. 2018, 6, 10--43. [CrossRef]

    中文翻译：[26] 荷米西, P.; 马吉奥里, E.; 李, S.; 苏扎, R.; 塔巴拉卡, Y.; 莫瑟, G.; 乔治, A.D.; 方, L.; 陈, Y.; 赤, M.; 等. 光谱-空间超光谱图像分类的新前沿: 基于数学形态学、马尔可夫随机场、分割、稀疏表示和深度学习的最新进展. IEEE 地球科学与遥感杂志, 2018, 6, 10--43. [CrossRef]

  27. Ghamisi, P.; Yokoya, N.; Li, J.; Liao, W.; Liu, S.; Plaza, J.; Rasti, B.; Plaza, A. Advances in Hyperspectral Image and Signal Processing: A Comprehensive Overview of the State of the Art. IEEE Geosci. Remote Sens. Mag. 2017, 5, 37--78. [CrossRef]

    中文翻译：[27] 荷米西, P.; 横山, N.; 李, J.; 廖, W.; 刘, S.; 普拉扎, J.; 拉斯蒂, B.; 普拉扎, A. 超光谱图像和信号处理的进展: 现状的全面综述. IEEE 地球科学与遥感杂志, 2017, 5, 37--78. [CrossRef]

  28. Ghamisi, P.; Plaza, J.; Chen, Y.; Li, J.; Plaza, A.J. Advanced Spectral Classifiers for Hyperspectral Images: A review. IEEE Geosci. Remote Sens. Mag. 2017, 5, 8--32. [CrossRef]

    中文翻译：[28] 荷米西, P.; 普拉扎, J.; 陈, Y.; 李, J.; 普拉扎, A.J. 超光谱图像的高级光谱分类器: 综述. IEEE 地球科学与遥感杂志, 2017, 5, 8--32. [CrossRef]

  29. Petersson, H.; Gustafsson, D.; Bergstrom, D. Hyperspectral image analysis using deep learning---A review. In Proceedings of the 2016 Sixth International Conference on Image Processing Theory, Tools and Applications (IPTA), Oulu, Finland, 12--15 December 2016; pp. 1--6.

    中文翻译：[29] 彼得松, H.; 古斯塔夫松, D.; 伯格斯特罗姆, D. 使用深度学习的超光谱图像分析---综述. 在《第六届图像处理理论、工具与应用国际会议论文集》中, 芬兰奥卢, 2016 年 12 月 12--15 日; 页码. 1--6.

  30. Nathan, A.H.; Kudenov, M.W. Review of snapshot spectral imaging technologies. Opt. Eng. 2013, 52, 090901.

    中文翻译：[30] 纳森, A.H.; 库德诺夫, M.W. 快照光谱成像技术综述. 光学工程, 2013, 52, 090901.

  31. Luthman, A.S. Spectrally Resolved Detector Arrays for Multiplexed Biomedical Fluorescence Imaging; Springer: Berlin/Heidelberg, Germany, 2018.

    中文翻译：[31] 卢特曼, A.S. 用于多重生物医学荧光成像的光谱分辨探测器阵列; 施普林格出版社: 德国柏林/海德堡, 2018.

  32. Nguyen, R.M.H.; Prasad, D.K.; Brown, M.S. Training-Based Spectral Reconstruction from a Single RGB Image; Computer Vision--ECCV 2014; Fleet, D., Pajdla, T., Schiele, B., Tuytelaars, T., Eds.; Springer International Publishing: Cham, Switzerland, 2014; pp. 186--201.

    中文翻译：[32] 阮, R.M.H.; 普拉萨德, D.K.; 布朗, M.S. 基于训练的从单张 RGB 图像进行光谱重建; 计算机视觉---ECCV 2014; 弗利特, D., 帕杰拉, T., 舍勒, B., 图特拉尔斯, T., 编; 施普林格国际出版: 瑞士洛桑, 2014; 页码. 186--201.

  33. Oh, S.W.; Brown, M.S.; Pollefeys, M.; Kim, S.J. Do It Yourself Hyperspectral Imaging with Everyday Digital Cameras. In Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27--30 June 2016; pp. 2461--2469.

    中文翻译：[33] 哦, S.W.; 布朗, M.S.; 波尔费尔斯, M.; 金, S.J. 使用日常数码相机的 DIY 超光谱成像. 在《2016 IEEE 计算机视觉与模式识别会议论文集》中, 美国内华达州拉斯维加斯, 2016 年 6 月 27--30 日; 页码. 2461--2469.

  34. Galliani, S.; Lanaras, C.; Marmanis, D.; Baltsavias, E.; Schindler, K. Learned Spectral Super-Resolution. arXiv 2017, arXiv:1703.09470.

    中文翻译：[34] 加利亚尼, S.; 兰阿拉斯, C.; 马尔马尼斯, D.; 巴尔萨维亚斯, E.; 施因德勒, K. 学习光谱超分辨率. arXiv 2017, arXiv:1703.09470.

  35. Xiong, Z.; Shi, Z.; Li, H.; Wang, L.; Liu, D.; Wu, F. HSCNN: CNN-Based Hyperspectral Image Recovery from Spectrally Undersampled Projections. In Proceedings of the 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), Venice, Italy, 22--29 October 2017; pp. 518--525.

    中文翻译：[35] 熊, Z.; 石, Z.; 李, H.; 王, L.; 刘, D.; 吴, F. HSCNN: 基于 CNN 的从光谱欠采样投影中恢复超光谱图像. 在《2017 IEEE 国际计算机视觉研讨会论文集》中, 意大利威尼斯, 2017 年 10 月 22--29 日; 页码. 518--525.

  36. Can, Y.B.; Timofte, R. An efficient CNN for spectral reconstruction from RGB images. arXiv 2018, arXiv:1804.04647.

    中文翻译：[36] 坎, Y.B.; 提莫夫特, R. 一种高效的用于从 RGB 图像进行光谱重建的 CNN. arXiv 2018, arXiv:1804.04647.

  37. Yan, Y.; Zhang, L.; Li, J.; Wei, W.; Zhang, Y. Accurate Spectral Super-Resolution from Single RGB Image Using Multi-scale CNN. In Pattern Recognition and Computer Vision; Lai, J.H., Liu, C.L., Chen, X., Zhou, J., Tan, T., Zheng, N., Zha, H., Eds.; Springer International Publishing: Cham, Switzerland, 2018; pp. 206--217.

    中文翻译：[37] 严, Y.; 张, L.; 李, J.; 韦, W.; 张, Y. 使用多尺度 CNN 从单张 RGB 图像进行准确的光谱超分辨率. 在《模式识别与计算机视觉》中; 赖, J.H., 刘, C.L., 陈, X., 周, J., 谭, T., 郑, N., 章, H., 编; 施普林格国际出版: 瑞士洛桑, 2018; 页码. 206--217.

  38. Koundinya, S.; Sharma, H.; Sharma, M.; Upadhyay, A.; Manekar, R.; Mukhopadhyay, R.; Karmakar, A.; Chaudhury, S. 2D-3D CNN Based Architectures for Spectral Reconstruction from RGB Images. In Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, UT, USA, 18--22 June 2018; pp. 957--9577.

    中文翻译：[38] 库迪尼亚, S.; 夏尔马, H.; 夏尔马, M.; 乌帕德亚, A.; 曼尼卡尔, R.; 穆克霍帕德, R.; 卡尔马卡, A.; 乔杜里, S. 基于 2D-3D CNN 的从 RGB 图像进行光谱重建的架构. 在《2018 IEEE/CVF 计算机视觉与模式识别研讨会论文集》中, 美国犹他州盐湖城, 2018 年 6 月 18--22 日; 页码. 957--9577.

  39. Shi, Z.; Chen, C.; Xiong, Z.; Liu, D.; Wu, F. HSCNN+: Advanced CNN-Based Hyperspectral Recovery from RGB Images. In Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, UT, USA, 18--22 June 2018; pp. 1052--10528.

    中文翻译：[39] 石, Z.; 陈, C.; 熊, Z.; 刘, D.; 吴, F. HSCNN+: 基于 CNN 的从 RGB 图像进行高级超光谱恢复. 在《2018 IEEE/CVF 计算机视觉与模式识别研讨会论文集》中, 美国犹他州盐湖城, 2018 年 6 月 18--22 日; 页码. 1052--10528.

  40. Qu, Y.; Qi, H.; Kwan, C. Unsupervised Sparse Dirichlet-Net for Hyperspectral Image Super-Resolution. In Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 18--23 June 2018; pp. 2511--2520.

    中文翻译：[40] 屈, Y.; 齐, H.; 关, C. 用于超光谱图像超分辨率的无监督稀疏狄利克雷网络. 在《2018 IEEE/CVF 计算机视觉与模式识别会议论文集》中, 美国犹他州盐湖城, 2018 年 6 月 18--23 日; 页码. 2511--2520.

  41. Alvarez-Gila, A.; Weijer, J.; Garrote, E. Adversarial Networks for Spatial Context-Aware Spectral Image Reconstruction from RGB. In Proceedings of the 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), Venice, Italy, 22--29 October 2017; pp. 480--490.

    中文翻译：[41] 阿尔瓦雷斯-吉拉, A.; 韦杰, J.; 加罗特, E. 用于从 RGB 进行空间上下文感知光谱图像重建的对抗网络. 在《2017 IEEE 国际计算机视觉研讨会论文集》中, 意大利威尼斯, 2017 年 10 月 22--29 日; 页码. 480--490.

  42. Arad, B.; Ben-Shahar, O. Filter Selection for Hyperspectral Estimation. In Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22--29 October 2017; pp. 3172--3180.

    中文翻译：[42] 阿拉德, B.; 本-沙哈尔, O. 超光谱估计的滤波器选择. 在《2017 IEEE 国际计算机视觉会议论文集》中, 意大利威尼斯, 2017 年 10 月 22--29 日; 页码. 3172--3180.

  43. Fu, Y.; Zhang, T.; Zheng, Y.; Zhang, D.; Huang, H. Joint Camera Spectral Sensitivity Selection and Hyperspectral Image Recovery. In Proceedings of the European Conference on Computer Vision (ECCV), Munich, Germany, 8--14 September 2018; Springer International Publishing: Cham, Switzerland, 2018; pp. 812--828.

    中文翻译：[43] 傅, Y.; 张, T.; 郑, Y.; 张, D.; 黄, H. 联合相机光谱灵敏度选择和超光谱图像恢复. 在《欧洲计算机视觉会议论文集》中, 德国慕尼黑, 2018 年 9 月 8--14 日; 施普林格国际出版: 瑞士洛桑, 2018; 页码. 812--828.

  44. Kaya, B.; Can, Y.B.; Timofte, R. Towards Spectral Estimation from a Single RGB Image in the Wild. arXiv 2018, arXiv:1812.00805.

    中文翻译：[44] 卡亚, B.; 坎, Y.B.; 提莫夫特, R. 从野外单张 RGB 图像进行光谱估计. arXiv 2018, arXiv:1812.00805.

  45. Nie, S.; Gu, L.; Zheng, Y.; Lam, A.; Ono, N.; Sato, I. Deeply Learned Filter Response Functions for Hyperspectral Reconstruction. In Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 18--23 June 2018; pp. 4767--4776.

    中文翻译：[45] 聂, S.; 顾, L.; 郑, Y.; 林, A.; 小野, N.; 佐藤, I. 用于超光谱重建的深度学习滤波器响应函数. 在《2018 IEEE/CVF 计算机视觉与模式识别会议论文集》中, 美国犹他州盐湖城, 2018 年 6 月 18--23 日; 页码. 4767--4776.

  46. Arad, B.; Ben-Shahar, O.; Timofte, R.; Van Gool, L.; Zhang, L.; Yang, M. NTIRE 2018 Challenge on Spectral Reconstruction from RGB Images. In Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Salt Lake City, UT, USA, 18--22 June 2018; pp. 1042--104209.

    中文翻译：[46] 阿拉德, B.; 本-沙哈尔, O.; 提莫夫特, R.; 范古尔, L.; 张, L.; 杨, M. NTIRE 2018 RGB 图像光谱重建挑战. 在《2018 IEEE/CVF 计算机视觉与模式识别研讨会论文集》中, 美国犹他州盐湖城, 2018 年 6 月 18--22 日; 页码. 1042--104209.

  47. Cao, X.; Yue, T.; Lin, X.; Lin, S.; Yuan, X.; Dai, Q.; Carin, L.; Brady, D.J. Computational Snapshot Multispectral Cameras: Toward dynamic capture of the spectral world. IEEE Signal Process. Mag. 2016, 33, 95--108. [CrossRef]

    中文翻译：[47] 曹, X.; 乐, T.; 林, X.; 林, S.; 袁, X.; 戴, Q.; 卡林, L.; 布雷迪, D.J. 计算快照多光谱相机: 朝着动态捕获光谱世界的迈进. IEEE 信号处理杂志, 2016, 33, 95--108. [CrossRef]

  48. Wang, L.; Zhang, T.; Fu, Y.; Huang, H. HyperReconNet: Joint Coded Aperture Optimization and Image Reconstruction for Compressive Hyperspectral Imaging. IEEE Trans. Image Process. 2019, 28, 2257--2270. [CrossRef]

    中文翻译：[48] 王, L.; 张, T.; 傅, Y.; 黄, H. HyperReconNet: 压缩超光谱成像的联合编码孔径优化和图像重建. IEEE 图像处理汇刊, 2019, 28, 2257--2270. [CrossRef]

  49. Pu, R. Hyperspectral Remote Sensing: Fundamentals and Practices; CRC Press: Boca Raton, FL, USA, 2017. 中文翻译：[49] 普, R. 超光谱遥感: 基础与实践; CRC 出版社: 美国佛罗里达州博卡拉顿, 2017.

  50. Hu, W.; Huang, Y.; Wei, L.; Zhang, F.; Li, H. Deep Convolutional Neural Networks for Hyperspectral Image Classification. J. Sens. 2015, 2015, 258619. [CrossRef]

    中文翻译：[50] 胡, W.; 黄, Y.; 韦, L.; 张, F.; 李, H. 用于超光谱图像分类的深度卷积神经网络. 传感器杂志, 2015, 2015, 258619. [CrossRef]

  51. Mou, L.; Ghamisi, P.; Zhu, X.X. Deep Recurrent Neural Networks for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 3639--3655. [CrossRef]

    中文翻译：[51] 茉, L.; 荷米西, P.; 朱, X.X. 用于超光谱图像分类的深度递归神经网络. IEEE 地球科学与遥感汇刊, 2017, 55, 3639--3655. [CrossRef]

  52. Karalas, K.; Tsagatakis, G.; Zervakis, M.; Tsakalides, P. Deep learning for multi-label land cover classification. In Image and Signal Processing for Remote Sensing XXI; International Society for Optics and Photonics: Bellingham, WA, USA, 2015; Volume 9643, p. 96430Q.

    中文翻译：[52] 卡拉拉斯, K.; 茨加塔基斯, G.; 泽瓦基斯, M.; 茨卡利德斯, P. 用于多标签土地覆盖分类的深度学习. 在《遥感图像与信号处理 XXI》中; 国际光学与光子学学会: 美国华盛顿州贝林汉姆, 2015; 第 9643 卷, 页码. 96430Q.

  53. Xing, C.; Ma, L.; Yang, X. Stacked Denoise Autoencoder Based Feature Extraction and Classification for Hyperspectral Images. J. Sens. 2016, 2016, 3632943. [CrossRef]

    中文翻译：[53] 兴, C.; 马, L.; 杨, X. 基于堆叠去噪自编码器的超光谱图像特征提取与分类. 传感器杂志, 2016, 2016, 3632943. [CrossRef]

  54. Zhao, W.; Guo, Z.; Yue, J.; Zhang, X.; Luo, L. On combining multiscale deep learning features for the classification of hyperspectral remote sensing imagery. Int. J. Remote Sens. 2015, 36, 3368--3379. [CrossRef]

    中文翻译：[54] 赵, W.; 郭, Z.; 乐, J.; 张, X.; 罗, L. 结合多尺度深度学习特征用于超光谱遥感图像分类. 国际遥感杂志, 2015, 36, 3368--3379. [CrossRef]

  55. Li, Y.; Xie, W.; Li, H. Hyperspectral image reconstruction by deep convolutional neural network for classification. Pattern Recognit. 2017, 63, 371--383. [CrossRef]

    中文翻译：[55] 李, Y.; 谢, W.; 李, H. 用于分类的超光谱图像重建: 深度卷积神经网络. 模式识别, 2017, 63, 371--383. [CrossRef]

  56. Li, T.; Zhang, J.; Zhang, Y. Classification of hyperspectral image based on deep belief networks. In Proceedings of the 2014 IEEE International Conference on Image Processing (ICIP), Paris, France, 27--30 October 2014; pp. 5132--5136.

    中文翻译：[56] 李, T.; 张, J.; 张, Y. 基于深度信念网络的超光谱图像分类. 在《2014 IEEE 国际图像处理会议论文集》中, 法国巴黎, 2014 年 10 月 27--30 日; 页码. 5132--5136.

  57. Zhang, M.; Li, W.; Du, Q. Diverse Region-Based CNN for Hyperspectral Image Classification. IEEE Trans. Image Process. 2018, 27, 2623--2634. [CrossRef]

    中文翻译：[57] 张, M.; 李, W.; 杜, Q. 基于多样区域的 CNN 用于超光谱图像分类. IEEE 图像处理汇刊, 2018, 27, 2623--2634. [CrossRef]

  58. Halicek, M.; Little, J.V.; Wang, X.; Patel, M.; Griffith, C.C.; El-Deiry, M.W.; Chen, A.Y.; Fei, B. Optical biopsy of head and neck cancer using hyperspectral imaging and convolutional neural networks. In Optical Imaging, Therapeutics, and Advanced Technology in Head and Neck Surgery and Otolaryngology 2018; International Society for Optics and Photonics: Bellingham, WA, USA, 2018; Volume 10469, p. 104690X.

    中文翻译：[58] 哈利塞克, M.; 利特尔, J.V.; 王, X.; 帕特尔, M.; 格里菲斯, C.C.; 埃尔-德里, M.W.; 陈, A.Y.; 费, B. 使用超光谱成像和卷积神经网络的头颈癌光学活检. 在《2018 头颈外科和耳鼻喉科的光学成像、治疗和先进技术》中; 国际光学与光子学学会: 美国华盛顿州贝林汉姆, 2018; 第 10469 卷, 页码. 104690X.

  59. Lin, Z.; Chen, Y.; Zhao, X.; Wang, G. Spectral--spatial Classification of Hyperspectral Image Using Autoencoders. In Proceedings of the 2013 9th International Conference on Information, Communications Signal Processing, Tainan, Taiwan, 10--13 December 2013; pp. 1--5.

    中文翻译：[59] 林, Z.; 陈, Y.; 赵, X.; 王, G. 使用自编码器的超光谱图像光谱-空间分类. 在《2013 第九届信息、通信信号处理国际会议论文集》中, 台湾台南, 2013 年 12 月 10--13 日; 页码. 1--5.

  60. Guo, Y.; Cao, H.; Bai, J.; Bai, Y. High Efficient Deep Feature Extraction and Classification of Spectral--spatial Hyperspectral Image Using Cross Domain Convolutional Neural Networks. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 12, 345--356. [CrossRef]

    中文翻译：[60] 郭, Y.; 曹, H.; 白, J.; 白, Y. 使用跨域卷积神经网络的光谱-空间超光谱图像高效深度特征提取与分类. IEEE 应用地球观测与遥感杂志, 2019, 12, 345--356. [CrossRef]

  61. Zhao, W.; Du, S. Learning multiscale and deep representations for classifying remotely sensed imagery. ISPRS J. Photogramm. Remote Sens. 2016, 113, 155--165. [CrossRef]

    中文翻译：[61] 赵, W.; 杜, S. 学习多尺度和深度表示用于遥感图像分类. ISPRS 测绘与遥感杂志, 2016, 113, 155--165. [CrossRef]

  62. Gong, Z.; Zhong, P.; Yu, Y.; Hu, W.; Li, S. A CNN With Multiscale Convolution and Diversified Metric for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2019, 1--20. [CrossRef]

    中文翻译：[62] 龚, Z.; 钟, P.; 于, Y.; 胡, W.; 李, S. 带有多尺度卷积和多样化度量的 CNN 用于超光谱图像分类. IEEE 地球科学与遥感汇刊, 2019, 1--20. [CrossRef]

  63. Yang, X.; Ye, Y.; Li, X.; Lau, R.Y.K.; Zhang, X.; Huang, X. Hyperspectral Image Classification With Deep Learning Models. IEEE Trans. Geosci. Remote Sens. 2018, 56, 5408--5423. [CrossRef]

    中文翻译：[63] 杨, X.; 叶, Y.; 李, X.; 刘, R.Y.K.; 张, X.; 黄, X. 使用深度学习模型的超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 56, 5408--5423. [CrossRef]

  64. Liang, J.; Zhou, J.; Qian, Y.; Wen, L.; Bai, X.; Gao, Y. On the Sampling Strategy for Evaluation of Spectral--spatial Methods in Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 862--880. [CrossRef]

    中文翻译：[64] 梁, J.; 周, J.; 钱, Y.; 文, L.; 白, X.; 高, Y. 超光谱图像分类中光谱-空间方法评估的采样策略. IEEE 地球科学与遥感汇刊, 2017, 55, 862--880. [CrossRef]

  65. Alam, F.I.; Zhou, J.; Liew, A.W.; Jia, X. CRF learning with CNN features for hyperspectral image segmentation. In Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10--15 July 2016; pp. 6890--6893.

    中文翻译：[65] 阿拉姆, F.I.; 周, J.; 刘, A.W.; 贾, X. 用于超光谱图像分割的 CNN 特征 CRF 学习. 在《2016 IEEE 国际地球科学与遥感研讨会论文集》中, 中国北京, 2016 年 7 月 10--15 日; 页码. 6890--6893.

  66. Zabalza, A.; Ren, J.; Zheng, J.; Huimin Zhao, C.Q.; Yang, Z.; Marshall, S. Novel Segmented Stacked Auto Encoder for Effective Dimensionality Reduction and Feature Extraction in Hyperspectral Imaging. Neurocomputing 2016, 185, 1--10. [CrossRef]

    中文翻译：[66] 扎巴拉扎, A.; 任, J.; 郑, J.; 赵惠敏, C.Q.; 杨, Z.; 马歇尔, S. 用于超光谱成像中有效降维和特征提取的新型分段堆叠自编码器. 神经计算, 2016, 185, 1--10. [CrossRef]

  67. Chen, X.; Xiang, S.; Liu, C.; Pan, C. Vehicle Detection in Satellite Images by Parallel Deep Convolutional Neural Networks. In Proceedings of the 2013 2nd IAPR Asian Conference on Pattern Recognition, Naha, Japan, 5--8 November 2013; pp. 181--185.

    中文翻译：[67] 陈, X.; 向, S.; 刘, C.; 潘, C. 通过并行深度卷积神经网络在卫星图像中检测车辆. 在《2013 第二届 IAPR 亚洲模式识别会议论文集》中, 日本那霸, 2013 年 11 月 5--8 日; 页码. 181--185.

  68. Chen, X.; Xiang, S.; Liu, C.; Pan, C. Vehicle Detection in Satellite Images by Hybrid Deep Convolutional Neural Networks. IEEE Geosci. Remote Sens. Lett. 2014, 11, 1797--1801. [CrossRef]

    中文翻译：[68] 陈, X.; 向, S.; 刘, C.; 潘, C. 通过混合深度卷积神经网络在卫星图像中检测车辆. IEEE 地球科学与遥感快报, 2014, 11, 1797--1801. [CrossRef]

  69. Zhang, L.; Shi, Z.; Wu, J. A Hierarchical Oil Tank Detector With Deep Surrounding Features for High-Resolution Optical Satellite Imagery. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 4895--4909. [CrossRef]

    中文翻译：[69] 张, L.; 石, Z.; 吴, J. 用于高分辨率光学卫星图像的具有深度周围特征的分层油罐检测器. IEEE 应用地球观测与遥感杂志, 2015, 8, 4895--4909. [CrossRef]

  70. Vakalopoulou, M.; Karantzalos, K.; Komodakis, N.; Paragios, N. Building detection in very high resolution multispectral data with deep learning features. In Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 26--31 July 2015; pp. 1873--1876.

    中文翻译：[70] 瓦卡洛普洛, M.; 卡兰扎洛斯, K.; 科莫达基斯, N.; 帕拉吉奥斯, N. 在非常高分辨率的多光谱数据中使用深度学习特征进行建筑检测. 在《2015 IEEE 国际地球科学与遥感研讨会论文集》中, 意大利米兰, 2015 年 7 月 26--31 日; 页码. 1873--1876.

  71. Zhang, L.; Cheng, B. A stacked autoencoders-based adaptive subspace model for hyperspectral anomaly detection. Infrared Phys. Technol. 2019, 96, 52--60. [CrossRef]

    中文翻译：[71] 张, L.; 程, B. 基于堆叠自编码器的自适应子空间模型用于超光谱异常检测. 红外物理与技术, 2019, 96, 52--60. [CrossRef]

  72. Ma, N.; Peng, Y.; Wang, S.; Leong, P.H.W. An Unsupervised Deep Hyperspectral Anomaly Detector. Sensors 2018, 18, 693. [CrossRef]

    中文翻译：[72] 马, N.; 彭, Y.; 王, S.; 梁, P.H.W. 一种无监督的深度超光谱异常检测器. 传感器, 2018, 18, 693. [CrossRef]

  73. Li, W.; Wu, G.; Du, Q. Transferred Deep Learning for Anomaly Detection in Hyperspectral Imagery. IEEE Geosci. Remote Sens. Lett. 2017, 14, 597--601. [CrossRef]

    中文翻译：[73] 李, W.; 吴, G.; 杜, Q. 转移深度学习用于超光谱图像中的异常检测. IEEE 地球科学与遥感快报, 2017, 14

, 597--601. [CrossRef]

  1. Wang, Q.; Yuan, Z.; Du, Q.; Li, X. GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change Detection. IEEE Trans. Geosci. Remote Sens. 2019, 57, 3--13. [CrossRef]

    中文翻译：[74] 王, Q.; 袁, Z.; 杜, Q.; 李, X. GETNET: 一种通用的端到端 2-D CNN 框架用于超光谱图像变化检测. IEEE 地球科学与遥感汇刊, 2019, 57, 3--13. [CrossRef]

  2. Huang, F.; Yu, Y.; Feng, T. Hyperspectral remote sensing image change detection based on tensor and deep learning. J. Vis. Commun. Image Represent. 2019, 58, 233--244. [CrossRef]

    中文翻译：[75] 黄, F.; 于, Y.; 冯, T. 基于张量和深度学习的超光谱遥感图像变化检测. 视觉通信与图像表示, 2019, 58, 233--244. [CrossRef]

  3. Sidorov, O.; Hardeberg, J.Y. Deep Hyperspectral Prior: Denoising, Inpainting, Super-Resolution. arXiv 2019, arXiv:1902.00301

    中文翻译：[76] 西多罗夫, O.; 哈德伯格, J.Y. 深度超光谱先验: 去噪、修复、超分辨率. arXiv 2019, arXiv:1902.00301

  4. Xie, W.; Li, Y.; Jia, X. Deep convolutional networks with residual learning for accurate spectral--spatial denoising. Neurocomputing 2018, 312, 372--381. [CrossRef]

    中文翻译：[77] 谢, W.; 李, Y.; 贾, X. 带有残差学习的深度卷积网络用于准确的光谱-空间去噪. 神经计算, 2018, 312, 372--381. [CrossRef]

  5. Xie, W.; Li, Y.; Hu, J.; Chen, D.Y. Trainable spectral difference learning with spatial starting for hyperspectral image denoising. Neural Netw. 2018, 108, 272--286. [CrossRef]

    中文翻译：[78] 谢, W.; 李, Y.; 胡, J.; 陈, D.Y. 带有空间起始的可训练光谱差分学习用于超光谱图像去噪. 神经网络, 2018, 108, 272--286. [CrossRef]

  6. Xie, W.; Shi, Y.; Li, Y.; Jia, X.; Lei, J. High-quality spectral--spatial reconstruction using saliency detection and deep feature enhancement. Pattern Recognit. 2019, 88, 139--152. [CrossRef]

    中文翻译：[79] 谢, W.; 施, Y.; 李, Y.; 贾, X.; 雷, J. 使用显著性检测和深度特征增强的高质量光谱-空间重建. 模式识别, 2019, 88, 139--152. [CrossRef]

  7. Loncan, L.; de Almeida, L.B.; Bioucas-Dias, J.M.; Briottet, X.; Chanussot, J.; Dobigeon, N.; Fabre, S.; Liao, W.; Licciardi, G.A.; Simoes, M.; et al. Hyperspectral Pansharpening: A Review. IEEE Geosci. Remote Sens. Mag. 2015, 3, 27--46. [CrossRef]

    中文翻译：[80] 隆坎, L.; 德阿尔梅达, L.B.; 比奥卡斯-迪亚斯, J.M.; 布里奥特, X.; 基努索特, J.; 多比热昂, N.; 法布雷, S.; 廖, W.; 里奇亚迪, G.A.; 西莫, M.; 等. 超光谱全色锐化: 综述. IEEE 地球科学与遥感杂志, 2015, 3, 27--46. [CrossRef]

  8. Zhang, J.; Zhong, P.; Chen, Y.; Li, S. L1/2-Regularized Deconvolution Network for the Representation and Restoration of Optical Remote Sensing Images. IEEE Trans. Geosci. Remote Sens. 2014, 52, 2617--2627. [CrossRef]

    中文翻译：[81] 张, J.; 钟, P.; 陈, Y.; 李, S. L1/2 正则化反卷积网络用于光学遥感图像的表示和恢复. IEEE 地球科学与遥感汇刊, 2014, 52, 2617--2627. [CrossRef]

  9. Huang, W.; Xiao, L.; Wei, Z.; Liu, H.; Tang, S. A New Pan-Sharpening Method With Deep Neural Networks. IEEE Geosci. Remote Sens. Lett. 2015, 12, 1037--1041. [CrossRef]

    中文翻译：[82] 黄, W.; 肖, L.; 韦, Z.; 刘, H.; 唐, S. 一种新的使用深度神经网络的全色锐化方法. IEEE 地球科学与遥感快报, 2015, 12, 1037--1041. [CrossRef]

  10. Yuan, Y.; Zheng, X.; Lu, X. Hyperspectral Image Superresolution by Transfer Learning. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 1963--1974. [CrossRef]

    中文翻译：[83] 袁, Y.; 郑, X.; 陆, X. 通过迁移学习的超光谱图像超分辨率. IEEE 应用地球观测与遥感杂志, 2017, 10, 1963--1974. [CrossRef]

  11. Hao, S.; Wang, W.; Ye, Y.; Li, E.; Bruzzone, L. A Deep Network Architecture for Super-Resolution-Aided Hyperspectral Image Classification With Classwise Loss. IEEE Trans. Geosci. Remote Sens. 2018, 56, 4650--4663. [CrossRef]

    中文翻译：[84] 郝, S.; 王, W.; 叶, Y.; 李, E.; 布鲁宗, L. 一种用于超分辨率辅助超光谱图像分类的深度网络架构与类别损失. IEEE 地球科学与遥感汇刊, 2018, 56, 4650--4663. [CrossRef]

  12. Zheng, K.; Gao, L.; Ran, Q.; Cui, X.; Zhang, B.; Liao, W.; Jia, S. Separable-spectral convolution and inception network for hyperspectral image super-resolution. Int. J. Mach. Learn. Cybern. 2019. [CrossRef]

    中文翻译：[85] 郑, K.; 高, L.; 然, Q.; 崔, X.; 张, B.; 廖, W.; 贾, S. 可分离光谱卷积和 inception 网络用于超光谱图像超分辨率. 国际机器学习与网络杂志, 2019. [CrossRef]

  13. Mei, S.; Yuan, X.; Ji, J.; Zhang, Y.; Wan, S.; Du, Q. Hyperspectral Image Spatial Super-Resolution via 3D Full Convolutional Neural Network. Remote Sens. 2017, 9, 1139. [CrossRef]

    中文翻译：[86] 梅, S.; 袁, X.; 纪, J.; 张, Y.; 万, S.; 杜, Q. 通过 3D 全卷积神经网络的超光谱图像空间超分辨率. 遥感, 2017, 9, 1139. [CrossRef]

  14. Hu, J.; Li, Y.; Xie, W. Hyperspectral Image Super-Resolution by Spectral Difference Learning and Spatial Error Correction. IEEE Geosci. Remote Sens. Lett. 2017, 14, 1825--1829. [CrossRef]

    中文翻译：[87] 胡, J.; 李, Y.; 谢, W. 通过光谱差分学习和空间误差校正的超光谱图像超分辨率. IEEE 地球科学与遥感快报, 2017, 14, 1825--1829. [CrossRef]

  15. Yang, J.; Zhao, Y.Q.; Chan, J.C.W. Hyperspectral and Multispectral Image Fusion via Deep Two-Branches Convolutional Neural Network. Remote Sens. 2018, 10, 800. [CrossRef]

    中文翻译：[88] 杨, J.; 赵, Y.Q.; 陈, J.C.W. 通过深度双分支卷积神经网络的超光谱和多光谱图像融合. 遥感, 2018, 10, 800. [CrossRef]

  16. Jia, J.; Ji, L.; Zhao, Y.; Geng, X. Hyperspectral image super-resolution with spectral--spatial network. Int. J. Remote Sens. 2018, 39, 7806--7829. [CrossRef]

    中文翻译：[89] 贾, J.; 纪, L.; 赵, Y.; 耿, X. 带有光谱-空间网络的超光谱图像超分辨率. 国际遥感杂志, 2018, 39, 7806--7829. [CrossRef]

  17. Chen, Y.; Li, C.; Ghamisi, P.; Jia, X.; Gu, Y. Deep Fusion of Remote Sensing Data for Accurate Classification. IEEE Geosci. Remote Sens. Lett. 2017, 14, 1253--1257. [CrossRef]

    中文翻译：[90] 陈, Y.; 李, C.; 荷米西, P.; 贾, X.; 顾, Y. 用于准确分类的遥感数据深度融合. IEEE 地球科学与遥感快报, 2017, 14, 1253--1257. [CrossRef]

  18. Ghamisi, P.; Höfle, B.; Zhu, X.X. Hyperspectral and LiDAR Data Fusion Using Extinction Profiles and Deep Convolutional Neural Network. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 3011--3024. [CrossRef]

    中文翻译：[91] 荷米西, P.; 霍夫勒, B.; 朱, X.X. 使用消光轮廓和深度卷积神经网络的超光谱和 LiDAR 数据融合. IEEE 应用地球观测与遥感杂志, 2017, 10, 3011--3024. [CrossRef]

  19. Li, H.; Ghamisi, P.; Soergel, U.; Zhu, X.X. Hyperspectral and LiDAR Fusion Using Deep Three-Stream Convolutional Neural Networks. Remote Sens. 2018, 10, 1649. [CrossRef]

    中文翻译：[92] 李, H.; 荷米西, P.; 索尔格尔, U.; 朱, X.X. 使用深度三流卷积神经网络的超光谱和 LiDAR 融合. 遥感, 2018, 10, 1649. [CrossRef]

  20. Feng, Q.; Zhu, D.; Yang, J.; Li, B. Multisource Hyperspectral and LiDAR Data Fusion for Urban Land-Use Mapping based on a Modified Two-Branch Convolutional Neural Network. ISPRS Int. J. Geo-Inf. 2019, 8, 28. [CrossRef]

    中文翻译：[93] 冯, Q.; 朱, D.; 杨, J.; 李, B. 基于改进的双分支卷积神经网络的多源超光谱和 LiDAR 数据融合用于城市土地利用制图. ISPRS 国际地理信息杂志, 2019, 8, 28. [CrossRef]

  21. Zhang, M.; Li, W.; Du, Q.; Gao, L.; Zhang, B. Feature Extraction for Classification of Hyperspectral and LiDAR Data Using Patch-to-Patch CNN. IEEE Trans. Cybern. 2018, 1--12. [CrossRef] [PubMed]

    中文翻译：[94] 张, M.; 李, W.; 杜, Q.; 高, L.; 张, B. 使用 Patch-to-Patch CNN 的超光谱和 LiDAR 数据分类特征提取. IEEE 网络汇刊, 2018, 1--12. [CrossRef] [PubMed]

  22. Xu, X.; Li, W.; Ran, Q.; Du, Q.; Gao, L.; Zhang, B. Multisource remote sensing data classification based on convolutional neural network. IEEE Trans. Geosci. Remote Sens. 2018, 56, 937--949. [CrossRef]

    中文翻译：[95] 徐, X.; 李, W.; 然, Q.; 杜, Q.; 高, L.; 张, B. 基于卷积神经网络的多源遥感数据分类. IEEE 地球科学与遥感汇刊, 2018, 56, 937--949. [CrossRef]

  23. Litjens, G.; Kooi, T.; Bejnordi, B.E.; Setio, A.A.A.; Ciompi, F.; Ghafoorian, M.; van der Laak, J.A.; van Ginneken, B.; Sánchez, C.I. A survey on deep learning in medical image analysis. Med. Image Anal. 2017, 42, 60--88. [CrossRef]

    中文翻译：[96] 利特延斯, G.; 库伊, T.; 贝恩诺迪, B.E.; 塞蒂奥, A.A.A.; 奇奥姆皮, F.; 荷福里安, M.; 范德莱克, J.A.; 范吉内肯, B.; 桑切斯, C.I. 医学图像分析中深度学习的综述. 医学图像分析, 2017, 42, 60--88. [CrossRef]

  24. Md Noor, S.S.; Ren, J.; Marshall, S.; Michael, K. Hyperspectral Image Enhancement and Mixture Deep-Learning Classification of Corneal Epithelium Injuries. Sensors 2017, 17, 2644. [CrossRef]

    中文翻译：[97] 诺尔, S.S.; 任, J.; 马歇尔, S.; 迈克尔, K. 角膜上皮损伤的超光谱图像增强和混合深度学习分类. 传感器, 2017, 17, 2644. [CrossRef]

  25. Halicek, M.; Lu, G.; Little, J.V.; Wang, X.; Patel, M.; Griffith, C.C.; El-Deiry, M.W.; Chen, A.Y.; Fei, B. Deep convolutional neural networks for classifying head and neck cancer using hyperspectral imaging. J. Biomed. Opt. 2017, 6, 60503--60503. [CrossRef] [PubMed]

    中文翻译：[98] 哈利塞克, M.; 吕, G.; 利特尔, J.V.; 王, X.; 帕特尔, M.; 格里菲斯, C.C.; 埃尔-德里, M.W.; 陈, A.Y.; 费, B. 使用超光谱成像的头颈癌深度卷积神经网络分类. 生物医学光学杂志, 2017, 6, 60503--60503. [CrossRef] [PubMed]

  26. Ma, L.; Lu, G.; Wang, D.; Wang, X.; Chen, Z.G.; Muller, S.; Chen, A.; Fei, B. Deep learning based classification for head and neck cancer detection with hyperspectral imaging in an animal model. Proc. SPIE 2017, 10137, 101372G.

    中文翻译：[99] 马, L.; 吕, G.; 王, D.; 王, X.; 陈, Z.G.; 穆勒, S.; 陈, A.; 费, B. 基于深度学习的动物模型中使用超光谱成像的头颈癌分类. SPIE 会议录, 2017, 10137, 101372G.

  27. Halicek, M.; Little, J.V.; Xu, W.; Patel, M.; Griffith, C.C.; Chen, A.Y.; Fei, B. Tumor margin classification of head and neck cancer using hyperspectral imaging and convolutional neural networks. In Medical Imaging 2018: Image-Guided Procedures, Robotic Interventions, and Modeling; SPIE: Houston, TX, USA, 2018; p. 10576.

    中文翻译：[100] 哈利塞克, M.; 利特尔, J.V.; 徐, W.; 帕特尔, M.; 格里菲斯, C.C.; 陈, A.Y.; 费, B. 使用超光谱成像和卷积神经网络的头颈癌肿瘤边缘分类. 在《2018 医学成像: 图像引导程序、机器人干预和建模》中; SPIE: 美国德克萨斯州休斯顿, 2018; 页码. 10576.

  28. Lin, J.; Clancy, N.T.; Qi, J.; Hu, Y.; Tatla, T.; Stoyanov, D.; Maier-Hein, L.; Elson, D.S. Dual-modality endoscopic probe for tissue surface shape reconstruction and hyperspectral imaging enabled by deep neural networks. Med. Image Anal. 2018, 48, 162--176. [CrossRef]

中文翻译：[101] 林, J.; 克兰西, N.T.; 齐, J.; 胡, Y.; 塔特拉, T.; 斯托亚诺夫, D.; 迈尔-海因, L.; 埃尔森, D.S. 由深度神经网络支持的双模态内窥镜探针用于组织表面形状重建和超光谱成像. 医学图像分析, 2018, 48, 162--176. [CrossRef]
  1. Li, X.; Li, W.; Xu, X.; Hu, W. Cell classification using convolutional neural networks in medical hyperspectral imagery. In Proceedings of the 2017 2nd International Conference on Image, Vision and Computing (ICIVC), Chengdu, China, 2--4 June 2017; pp. 501--504.
中文翻译：[102] 李, X.; 李, W.; 徐, X.; 胡, W. 在医学超光谱图像中使用卷积神经网络进行细胞分类. 在《2017 第二届图像、视觉与计算国际会议论文集》中, 中国成都, 2017 年 6 月 2--4 日; 页码. 501--504.
  1. Huang, Q.; Li, W.; Xie, X. Convolutional neural network for medical hyperspectral image classification with kernel fusion. In Proceedings of the BIBE 2018 International Conference on Biological Information and Biomedical Engineering, Shanghai, China, 6--8 July 2018; pp. 1--4.
中文翻译：[103] 黄, Q.; 李, W.; 谢, X. 带有核融合的卷积神经网络用于医学超光谱图像分类. 在《2018 生物信息与生物医学工程国际会议论文集》中, 中国上海, 2018 年 7 月 6--8 日; 页码. 1--4.
  1. Wei, X.; Li, W.; Zhang, M.; Li, Q. Medical Hyperspectral Image Classification Based on End-to-End Fusion Deep Neural Network. IEEE Trans. Instrum. Meas. 2019, 1--12. [CrossRef]
中文翻译：[104] 韦, X.; 李, W.; 张, M.; 李, Q. 基于端到端融合深度神经网络的医学超光谱图像分类. IEEE 仪器与测量汇刊, 2019, 1--12. [CrossRef]
  1. Bayramoglu, N.; Kaakinen, M.; Eklund, L.; Heikkilä, J. Towards Virtual H&E Staining of Hyperspectral Lung Histology Images Using Conditional Generative Adversarial Networks. In Proceedings of the 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), Venice, Italy, 22--29 October 2017; pp. 64--71.
中文翻译：[105] 贝亚姆奥格鲁, N.; 卡凯宁, M.; 埃克伦德, L.; 海基拉, J. 使用条件生成对抗网络的超光谱肺组织学图像的虚拟 H&E 染色. 在《2017 IEEE 国际计算机视觉研讨会论文集》中, 意大利威尼斯, 2017 年 10 月 22--29 日; 页码. 64--71.
  1. Turra, G.; Conti, N.; Signoroni, A. Hyperspectral image acquisition and analysis of cultured bacteria for the discrimination of urinary tract infections. In Proceedings of the 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, Italy, 25--29 August 2015; pp. 759--762.
中文翻译：[106] 图拉, G.; 朱蒂, N.; 西尼奥尼, A. 用于区分尿路感染的培养细菌的超光谱图像获取与分析. 在《2015 IEEE 医学与生物工程国际会议论文集》中, 意大利米兰, 2015 年 8 月 25--29 日; 页码. 759--762.
  1. Turra, G.; Arrigoni, S.; Signoroni, A. CNN-Based Identification of Hyperspectral Bacterial Signatures for Digital Microbiology. In Proceedings of the International Conference on Image Analysis and Processing, Catania, Italy, 11--15 September 2017; pp. 500--510.
中文翻译：[107] 图拉, G.; 阿里戈尼, S.; 西尼奥尼, A. 基于 CNN 的超光谱细菌特征识别用于数字微生物学. 在《国际图像分析与处理会议论文集》中, 意大利卡塔尼亚, 2017 年 9 月 11--15 日; 页码. 500--510.
  1. Bailey, A.; Ledeboer, N.; Burnham, C.A.D. Clinical Microbiology Is Growing Up: The Total Laboratory Automation Revolution. Clin. Chem. 2019, 65, 634--643 [CrossRef]
中文翻译：[108] 贝利, A.; 莱德博尔, N.; 伯恩汉姆, C.A.D. 临床微生物学正在成长: 全实验室自动化革命. 临床化学, 2019, 65, 634--643 [CrossRef]
  1. Signoroni, A.; Savardi, M.; Pezzoni, M.; Guerrini, F.; Arrigoni, S.; Turra, G. Combining the use of CNN classification and strength-driven compression for the robust identification of bacterial species on hyperspectral culture plate images. IET Comput. Vis. 2018, 12, 941--949. [CrossRef]
中文翻译：[109] 西尼奥尼, A.; 萨瓦尔迪, M.; 佩佐尼, M.; 格里尼, F.; 阿里戈尼, S.; 图拉, G. 结合使用 CNN 分类和强度驱动压缩以稳健识别超光谱培养板图像上的细菌种类. IET 计算机视觉, 2018, 12, 941--949. [CrossRef]
  1. Salzer, R.; Siesler, H.W. Infrared and Raman sPectroscopic Imaging; John Wiley & Sons: Hoboken, NJ, USA, 2014.
中文翻译：[110] 萨尔泽, R.; 西斯勒, H.W. 红外和拉曼光谱成像; 约翰威立父子出版社: 美国新泽西州霍博肯, 2014.
  1. Pahlow, S.; Weber, K.; Popp, J.; Bayden, R.W.; Kochan, K.; Rüther, A.; Perez-Guaita, D.; Heraud, P.; Stone, N.; Dudgeon, A.; et al. Application of Vibrational Spectroscopy and Imaging to Point-of-Care Medicine: A Review. Appl. Spectrosc. 2018, 72, 52--84.
中文翻译：[111] 帕赫洛, S.; 韦伯, K.; 波普, J.; 贝登, R.W.; 科汉, K.; 鲁瑟, A.; 佩雷斯-瓜伊塔, D.; 赫拉德, P.; 斯通, N.; 达奇贡, A.; 等. 振动光谱和成像在临床护理医学中的应用: 综述. 应用光谱学, 2018, 72, 52--84.
  1. Liu, J.; Osadchy, M.; Ashton, L.; Foster, M.; Solomon, C.J.; Gibson, S.J. Deep convolutional neural networks for Raman spectrum recognition: A unified solution. Analyst 2017, 142, 4067--4074. [CrossRef]
中文翻译：[112] 刘, J.; 奥萨德奇, M.; 阿什顿, L.; 福斯特, M.; 所罗门, C.J.; 吉布森, S.J. 拉曼光谱识别的深度卷积神经网络: 统一解决方案. 分析家, 2017, 142, 4067--4074. [CrossRef]
  1. Weng, S.; Xu, X.; Li, J.; Wong, S.T. Combining deep learning and coherent anti-Stokes Raman scattering imaging for automated differential diagnosis of lung cancer. J. Biomed. Opt. 2017, 22, 106017. [CrossRef]
中文翻译：[113] 汪, S.; 徐, X.; 李, J.; 黄, S.T. 结合深度学习和相干反斯托克斯拉曼散射成像用于肺癌的自动鉴别诊断. 生物医学光学杂志, 2017, 22, 106017. [CrossRef]
  1. Duncan, M.D.; Reintjes, J.; Manuccia, T.J. Imaging Biological Compounds Using The Coherent Anti-Stokes Raman Scattering Microscope. Opt. Eng. 1985, 24, 242352. [CrossRef]
中文翻译：[114] 丹尼森, M.D.; 雷因特杰斯, J.; 曼努齐亚, T.J. 使用相干反斯托克斯拉曼散射显微镜成像生物化合物. 光学工程, 1985, 24, 242352. [CrossRef]
  1. Malek, K.; Wood, B.R.; Bambery, K.R. FTIR Imaging of Tissues: Techniques and Methods of Analysis. In Optical Spectroscopy and Computational Methods in Biology and Medicine; Springer: Dordrecht, The Netherlands, 2014; pp. 419--473.
中文翻译：[115] 马勒克, K.; 伍德, B.R.; 巴姆贝里, K.R. 组织的 FTIR 成像: 分析技术和方法. 在《光学光谱学和生物医学中的计算方法》中; 施普林格出版社: 荷兰多德雷赫特, 2014; 页码. 419--473.
  1. Berisha, S.; Lotfollahi, M.; Jahanipour, J.; Gurcan, I.; Walsh, M.; Bhargava, R.; Van Nguyen, H.; Mayerich, D. Deep learning for FTIR histology: Leveraging spatial and spectral features with convolutional neural networks. Analyst 2019, 144, 1642--1653. [CrossRef] [PubMed]
中文翻译：[116] 贝里沙, S.; 洛特洛菲, M.; 贾哈尼普尔, J.; 古尔坎, I.; 沃尔什, M.; 巴尔加瓦, R.; 范阮, H.; 麦耶里奇, D. FTIR 组织学的深度学习: 利用卷积神经网络的空间和光谱特征. 分析家, 2019, 144, 1642--1653. [CrossRef] [PubMed]
  1. Lotfollahi, M.; Berisha, S.; Daeinejad, D.; Mayerich, D. Digital Staining of High-Definition Fourier Transform Infrared (FT-IR) Images Using Deep Learning. Appl. Spectrosc. 2019, 73, 556--564. [CrossRef]
中文翻译：[117] 洛特洛菲, M.; 贝里沙, S.; 达伊尼贾德, D.; 麦耶里奇, D. 使用深度学习对高清晰度傅里叶变换红外(FT-IR)图像进行数字染色. 应用光谱学, 2019, 73, 556--564. [CrossRef]
  1. Reis, M.M.; Beers, R.V.; Al-Sarayreh, M.; Shorten, P.; Yan, W.Q.; Saeys, W.; Klette, R.; Craigie, C. Chemometrics and hyperspectral imaging applied to assessment of chemical, textural and structural characteristics of meat. Meat Sci. 2018, 144, 100--109. [CrossRef]
中文翻译：[118] 雷斯, M.M.; 比尔斯, R.V.; 阿尔-萨拉耶赫, M.; 索尔特恩, P.; 颜, W.Q.; 赛斯, W.; 克莱特, R.; 克雷吉, C. 化学计量学和超光谱成像应用于评估肉类的化学、质地和结构特征. 肉类科学, 2018, 144, 100--109. [CrossRef]
  1. Yu, X.; Tang, L.; Wu, X.; Lu, H. Nondestructive Freshness Discriminating of Shrimp Using Visible/Near-Infrared Hyperspectral Imaging Technique and Deep Learning Algorithm. Food Anal. Methods 2017, 11, 1--13. [CrossRef]
中文翻译：[119] 于, X.; 唐, L.; 武, X.; 陆, H. 使用可见/近红外超光谱成像技术和深度学习算法对虾进行无损新鲜度鉴别. 食品分析方法, 2017, 11, 1--13. [CrossRef]
  1. Yu, X.; Wang, J.; Wen, S.; Yang, J.; Zhang, F. A deep learning based feature extraction method on hyperspectral images for nondestructive prediction of TVB-N content in Pacific white shrimp (Litopenaeus vannamei). Biosyst. Eng. 2019, 178, 244--255. [CrossRef]
中文翻译：[120] 于, X.; 王, J.; 文, S.; 杨, J.; 张, F. 基于深度学习的超光谱图像特征提取方法用于太平洋白虾(TVB-N 含量的无损预测. 生物系统工程, 2019, 178, 244--255. [CrossRef]
  1. Al-Sarayreh, M.; Reis, M.R.; Yan, W.Q.; Klette, R. Detection of Red-Meat Adulteration by Deep Spectral--spatial Features in Hyperspectral Images. J. Imaging 2018, 4, 63. [CrossRef]
中文翻译：[121] 阿尔-萨拉耶赫, M.; 雷斯, M.R.; 颜, W.Q.; 克莱特, R. 通过超光谱图像中的深度光谱-空间特征检测红肉掺假. 成像杂志, 2018, 4, 63. [CrossRef]
  1. Yu, X.; Lu, H.; Liu, Q. Deep-learning-based regression model and hyperspectral imaging for rapid detection of nitrogen concentration in oilseed rape (Brassica napus L.) leaf. Chemom. Intell. Lab. Syst. 2018, 172, 188--193. [CrossRef]
中文翻译：[122] 于, X.; 陆, H.; 刘, Q. 基于深度学习的回归模型和超光谱成像用于快速检测油菜(Brassica napus L.)叶片中的氮浓度. 化学计量学与智能实验室系统, 2018, 172, 188--193. [CrossRef]
  1. Jin, X.; Jie, L.; Wang, S.; Qi, H.J.; Li, S.W. Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field. Remote Sens. 2018, 10, 395. [CrossRef]
中文翻译：[123] 金, X.; 贾, L.; 王, S.; 齐, H.J.; 李, S.W. 在野外使用深度神经网络对健康麦穗和赤霉病麦穗的超光谱像素进行分类. 遥感, 2018, 10, 395. [CrossRef]
  1. Yu, X.; Lu, H.; Wu, D. Development of deep learning method for predicting firmness and soluble solid content of postharvest Korla fragrant pear using Vis/NIR hyperspectral reflectance imaging. Postharvest Biol. Technol. 2018, 141, 39--49. [CrossRef]
中文翻译：[124] 于, X.; 陆, H.; 武, D. 开发深度学习方法用于预测采后库尔勒香梨的硬度和可溶性固形物含量, 使用 Vis/NIR 超光谱反射成像. 采后生物学与技术, 2018, 141, 39--49. [CrossRef]
  1. Wang, Z.; Hu, M.H.; Zhai, G. Application of Deep Learning Architectures for Accurate and Rapid Detection of Internal Mechanical Damage of Blueberry Using Hyperspectral Transmittance Data. Sensors 2018, 18, 1126. [CrossRef] [PubMed]
中文翻译：[125] 王, Z.; 胡, M.H.; 翟, G. 使用超光谱透射数据的深度学习架构应用于蓝莓内部机械损伤的准确快速检测. 传感器, 2018, 18, 1126. [CrossRef] [PubMed]
  1. Nagasubramanian, K.; Jones, S.; Singh, A.K.; Singh, A.; Ganapathysubramanian, B.; Sarkar, S. Explaining hyperspectral imaging based plant disease identification: 3D CNN and saliency maps. arXiv 2018, arXiv:1804.08831.
中文翻译：[126] 纳加苏布拉马尼安, K.; 琼斯, S.; 辛格, A.K.; 辛格, A.; 加纳帕蒂苏布拉马尼安, B.; 萨卡尔, S. 基于超光谱成像的植物病害识别解释: 3D CNN 和显著性图. arXiv 2018, arXiv:1804.08831.
  1. Qiu, Z.; Chen, J.; Zhao, Y.; Zhu, S.; He, Y.; Zhang, C. Variety Identification of Single Rice Seed Using Hyperspectral Imaging Combined with Convolutional Neural Network. Appl. Sci. 2018, 8, 212. [CrossRef]
中文翻译：[127] 秋, Z.; 陈, J.; 赵, Y.; 朱, S.; 何, Y.; 张, C. 使用超光谱成像结合卷积神经网络的单粒稻种品种识别. 应用科学, 2018, 8, 212. [CrossRef]
  1. Wu, N.; Zhang, C.; Bai, X.; Du, X.; He, Y. Discrimination of Chrysanthemum Varieties Using Hyperspectral Imaging Combined with a Deep Convolutional Neural Network. Molecules 2018, 23, 2831. [CrossRef]
中文翻译：[128] 吴, N.; 张, C.; 白, X.; 杜, X.; 何, Y. 使用超光谱成像结合深度卷积神经网络的菊花品种鉴别. 分子, 2018, 23, 2831. [CrossRef]
  1. Khan, M.J.; Yousaf, A.; Abbas, A.; Khurshid, K. Deep learning for automated forgery detection in hyperspectral document images. J. Electron. Imaging 2018, 27, 053001. [CrossRef]
中文翻译：[129] 汗, M.J.; 优素福, A.; 阿巴斯, A.; 轩, K. 超光谱文档图像中自动伪造检测的深度学习. 电子成像杂志, 2018, 27, 053001. [CrossRef]
  1. Qureshi, R.; Uzair, M.; Khurshid, K.; Yan, H. Hyperspectral document image processing: Applications, challenges and future prospects. Pattern Recognit. 2019, 90, 12--22. [CrossRef]
中文翻译：[130] 库雷希, R.; 乌扎尔, M.; 轩, K.; 颜, H. 超光谱文档图像处理: 应用、挑战和未来展望. 模式识别, 2019, 90, 12--22. [CrossRef]
  1. Song, W.; Li, S.; Fang, L.; Lu, T. Hyperspectral Image Classification With Deep Feature Fusion Network. IEEE Trans. Geosci. Remote Sens. 2018, 56, 3173--3184. [CrossRef]
中文翻译：[131] 宋, W.; 李, S.; 方, L.; 陆, T. 带有深度特征融合网络的超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 56, 3173--3184. [CrossRef]
  1. Robila, S.A. Independent Component Analysis. In Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data; Varshney, P.K., Arora, M.K., Eds.; Springer: Berlin/Heidelberg, Germany, 2004; Chapter 4, pp. 109--132.
中文翻译：[132] 罗比拉, S.A. 独立成分分析. 在《遥感超光谱数据的高级图像处理技术》中; 瓦尔什尼, P.K., 阿罗拉, M.K., 编; 施普林格出版社: 德国柏林/海德堡, 2004; 第 4 章, 页码. 109--132.
  1. Cheng, G.; Li, Z.; Han, J.; Yao, X.; Guo, L. Exploring Hierarchical Convolutional Features for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2018, 56, 6712--6722. [CrossRef]
中文翻译：[133] 程, G.; 李, Z.; 韩, J.; 姚, X.; 郭, L. 探索用于超光谱图像分类的层次卷积特征. IEEE 地球科学与遥感汇刊, 2018, 56, 6712--6722. [CrossRef]
  1. Hu, J.; Mou, L.; Schmitt, A.; Zhu, X.X. FusioNet: A two-stream convolutional neural network for urban scene classification using PolSAR and hyperspectral data. In Proceedings of the 2017 Joint Urban Remote Sensing Event (JURSE), Dubai, UAE, 6--8 March 2017; pp. 1--4.
中文翻译：[134] 胡, J.; 茉, L.; 施密特, A.; 朱, X.X. FusioNet: 一种用于使用 PolSAR 和超光谱数据进行城市场景分类的双流卷积神经网络. 在《2017 联合城市遥感事件论文集》中, 阿联酋迪拜, 2017 年 3 月 6--8 日; 页码. 1--4.
  1. Jiao, L.; Liang, M.; Chen, H.; Yang, S.; Liu, H.; Cao, X. Deep Fully Convolutional Network-Based Spatial Distribution Prediction for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 5585--5599. [CrossRef]
中文翻译：[135] 交, L.; 梁, M.; 陈, H.; 杨, S.; 刘, H.; 曹, X. 基于深度全卷积网络的超光谱图像分类空间分布预测. IEEE 地球科学与遥感汇刊, 2017, 55, 5585--5599. [CrossRef]
  1. Leng, J.; Li, T.; Bai, G.; Dong, Q.; Dong, H. Cube-CNN-SVM: A Novel Hyperspectral Image Classification Method. In Proceedings of the 2016 IEEE 28th International Conference on Tools with Artificial Intelligence (ICTAI), San Jose, CA, USA, 6--8 November 2016; pp. 1027--1034.
中文翻译：[136] 冷, J.; 李, T.; 白, G.; 董, Q.; 董, H. Cube-CNN-SVM: 一种新颖的超光谱图像分类方法. 在《2016 IEEE 第 28 届人工智能工具国际会议论文集》中, 美国加利福尼亚州圣何塞, 2016 年 11 月 6--8 日; 页码. 1027--1034.
  1. Wei, Y.; Zhou, Y.; Li, H. Spectral--spatial Response for Hyperspectral Image Classification. Remote Sens. 2017, 9, 203. [CrossRef]
中文翻译：[137] 韦, Y.; 周, Y.; 李, H. 超光谱图像分类的光谱-空间响应. 遥感, 2017, 9, 203. [CrossRef]
  1. Yang, J.; Zhao, Y.; Chan, J.C.; Yi, C. Hyperspectral image classification using two-channel deep convolutional neural network. In Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10--15 July 2016; pp. 5079--5082.
中文翻译：[138] 杨, J.; 赵, Y.; 陈, J.C.; 伊, C. 使用双通道深度卷积神经网络的超光谱图像分类. 在《2016 IEEE 国际地球科学与遥感研讨会论文集》中, 中国北京, 2016 年 7 月 10--15 日; 页码. 5079--5082.
  1. Slavkovikj, V.; Verstockt, S.; De Neve, W.; Van Hoecke, S.; Van de Walle, R. Hyperspectral image classification with convolutional neural networks. In Proceedings of the 23rd Annual ACM Conference on Multimedia, Brisbane, Australia, 26--30 October 2015; pp. 1159--1162.
中文翻译：[139] 斯拉夫科维克, V.; 维尔斯托克特, S.; 德内夫, W.; 凡霍克, S.; 凡德瓦尔, R. 使用卷积神经网络的超光谱图像分类. 在《第 23 届 ACM 多媒体年会论文集》中, 澳大利亚布里斯班, 2015 年 10 月 26--30 日; 页码. 1159--1162.
  1. Yu, S.; Jia, S.; Xu, C. Convolutional neural networks for hyperspectral image classification. Neurocomputing 2017, 219, 88--98. [CrossRef]
中文翻译：[140] 于, S.; 贾, S.; 徐, C. 用于超光谱图像分类的卷积神经网络. 神经计算, 2017, 219, 88--98. [CrossRef]
  1. Zhan, Y.; Hu, D.; Xing, H.; Yu, X. Hyperspectral Band Selection Based on Deep Convolutional Neural Network and Distance Density. IEEE Geosci. Remote Sens. Lett. 2017, 14, 2365--2369. [CrossRef]
中文翻译：[141] 战, Y.; 胡, D.; 兴, H.; 于, X. 基于深度卷积神经网络和距离密度的超光谱波段选择. IEEE 地球科学与遥感快报, 2017, 14, 2365--2369. [CrossRef]
  1. Fang, L.; Liu, G.; Li, S.; Ghamisi, P.; Benediktsson, J.A. Hyperspectral Image Classification With Squeeze Multibias Network. IEEE Trans. Geosci. Remote Sens. 2018, 57, 1291--1301. [CrossRef]
中文翻译：[142] 方, L.; 刘, G.; 李, S.; 荷米西, P.; 本迪克特松, J.A. 使用挤压多偏差网络的超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 57, 1291--1301. [CrossRef]
  1. Lee, H.; Kwon, H. Contextual deep CNN based hyperspectral classification. In Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10--15 July 2016; pp. 3322--3325.
中文翻译：[143] 李, H.; 权, H. 基于上下文深度 CNN 的超光谱分类. 在《2016 IEEE 国际地球科学与遥感研讨会论文集》中, 中国北京, 2016 年 7 月 10--15 日; 页码. 3322--3325.
  1. Li, Y.; Zhang, H.; Shen, Q. Spectral--spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network. Remote Sens. 2017, 9, 67. [CrossRef]
中文翻译：[144] 李, Y.; 张, H.; 沈, Q. 使用 3D 卷积神经网络的超光谱图像光谱-空间分类. 遥感, 2017, 9, 67. [CrossRef]
  1. Heming, L.; Li, Q. Hyperspectral Imagery Classification Using Sparse Representations of Convolutional Neural Network Features. Remote Sens. 2015, 8, 99.
中文翻译：[145] 赫明, L.; 李, Q. 使用卷积神经网络特征的稀疏表示的超光谱图像分类. 遥感, 2015, 8, 99.
  1. Qingshan, L.; Feng, Z.; Renlong, H.; Xiaotong, Y. Bidirectional-Convolutional LSTM Based Spectral--spatial Feature Learning for Hyperspectral Image Classification. Remote Sens. 2017, 9, 1330. [CrossRef]
中文翻译：[146] 青山, L.; 锋, Z.; 仁龙, H.; 小同, Y. 基于双向卷积 LSTM 的超光谱图像分类光谱-空间特征学习. 遥感, 2017, 9, 1330. [CrossRef]
  1. Liu, B.; Yu, X.; Zhang, P.; Yu, A.; Fu, Q.; Wei, X. Supervised Deep Feature Extraction for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2018, 56, 1909--1921. [CrossRef]
中文翻译：[147] 刘, B.; 于, X.; 张, P.; 于, A.; 付, Q.; 韦, X. 监督深度特征提取用于超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 56, 1909--1921. [CrossRef]
  1. Makantasis, K.; Karantzalos, K.; Doulamis, A.; Doulamis, N. Deep supervised learning for hyperspectral data classification through convolutional neural networks. In Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 26--31 July 2015; pp. 4959--4962.
中文翻译：[148] 马坎塔西斯, K.; 卡兰扎洛斯, K.; 多拉米斯, A.; 多拉米斯, N. 通过卷积神经网络的超光谱数据分类的深度监督学习. 在《2015 IEEE 国际地球科学与遥感研讨会论文集》中, 意大利米兰, 2015 年 7 月 26--31 日; 页码. 4959--4962.
  1. Mei, S.; Ji, J.; Hou, J.; Li, X.; Du, Q. Learning Sensor-Specific Spatial--spectral Features of Hyperspectral Images via Convolutional Neural Networks. IEEE Trans. Geosci. Remote Sens. 2017, 55, 4520--4533. [CrossRef]
中文翻译：[149] 梅, S.; 纪, J.; 侯, J.; 李, X.; 杜, Q. 通过卷积神经网络学习超光谱图像的传感器特定空间-光谱特征. IEEE 地球科学与遥感汇刊, 2017, 55, 4520--4533. [CrossRef]
  1. Paoletti, M.; Haut, J.; Plaza, J.; Plaza, A. Deep&Dense Convolutional Neural Network for Hyperspectral Image Classification. Remote Sens. 2018, 10, 1454. [CrossRef]
中文翻译：[150] 帕奥莱蒂, M.; 豪, J.; 普拉扎, J.; 普拉扎, A. 用于超光谱图像分类的深度&密集卷积神经网络. 遥感, 2018, 10, 1454. [CrossRef]
  1. Santara, A.; Mani, K.; Hatwar, P.; Singh, A.; Garg, A.; Padia, K.; Mitra, P. BASS Net: Band-adaptive spectral--spatial feature learning neural network for hyperspectral image classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 5293--5301. [CrossRef]
中文翻译：[151] 桑塔拉, A.; 曼尼, K.; 哈特瓦尔, P.; 辛格, A.; 加尔格, A.; 帕迪亚, K.; 米特拉, P. BASS Net: 用于超光谱图像分类的波段自适应光谱-空间特征学习神经网络. IEEE 地球科学与遥感汇刊, 2017, 55, 5293--5301. [CrossRef]
  1. Yang, J.; Zhao, Y.; Chan, J.C. Learning and Transferring Deep Joint Spectral--Spatial Features for Hyperspectral Classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 4729--4742. [CrossRef]
中文翻译：[152] 杨, J.; 赵, Y.; 陈, J.C. 学习和转移深度联合光谱-空间特征用于超光谱分类. IEEE 地球科学与遥感汇刊, 2017, 55, 4729--4742. [CrossRef]
  1. Yue, J.; Zhao, W.; Mao, S.; Liu, H. Spectral--spatial classification of hyperspectral images using deep convolutional neural networks. Remote Sens. Lett. 2015, 6, 468--477. [CrossRef]
中文翻译：[153] 乐, J.; 赵, W.; 毛, S.; 刘, H. 使用深度卷积神经网络的超光谱图像光谱-空间分类. 遥感快报, 2015, 6, 468--477. [CrossRef]
  1. Zhang, M.; Hong, L. Deep Learning Integrated with Multiscale Pixel and Object Features for Hyperspectral Image Classification. In Proceedings of the 2018 10th IAPR Workshop on Pattern Recognition in Remote Sensing (PRRS), Beijing, China, 19--20 August 2018; pp. 1--8.
中文翻译：[154] 张, M.; 洪, L. 与多尺度像素和对象特征集成的深度学习用于超光谱图像分类. 在《2018 第十届 IAPR 遥感模式识别研讨会论文集》中, 中国北京, 2018 年 8 月 19--20 日; 页码. 1--8.
  1. Zhao, W.; Du, S. Spectral--Spatial Feature Extraction for Hyperspectral Image Classification: A Dimension Reduction and Deep Learning Approach. IEEE Trans. Geosci. Remote Sens. 2016, 54, 4544--4554. [CrossRef]
中文翻译：[155] 赵, W.; 杜, S. 超光谱图像分类的光谱-空间特征提取: 降维和深度学习方法. IEEE 地球科学与遥感汇刊, 2016, 54, 4544--4554. [CrossRef]
  1. Zhi, L.; Yu, X.; Liu, B.; Wei, X. A dense convolutional neural network for hyperspectral image classification. Remote Sens. Lett. 2019, 10, 59--66. [CrossRef]
中文翻译：[156] 智, L.; 于, X.; 刘, B.; 韦, X. 用于超光谱图像分类的密集卷积神经网络. 遥感快报, 2019, 10, 59--66. [CrossRef]
  1. Chen, Y.; Jiang, H.; Li, C.; Jia, X.; Ghamisi, P. Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks. IEEE Trans. Geosci. Remote Sens. 2016, 54, 6232--6251. [CrossRef]
中文翻译：[157] 陈, Y.; 江, H.; 李, C.; 贾, X.; 荷米西, P. 基于卷积神经网络的超光谱图像深度特征提取与分类. IEEE 地球科学与遥感汇刊, 2016, 54, 6232--6251. [CrossRef]
  1. Liu, B.; Yu, X.; Yu, A.; Zhang, P.; Wan, G.; Wang, R. Deep Few-Shot Learning for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2018, 57, 2290--2304. [CrossRef]
中文翻译：[158] 刘, B.; 于, X.; 于, A.; 张, P.; 万, G.; 王, R. 用于超光谱图像分类的深度少样本学习. IEEE 地球科学与遥感汇刊, 2018, 57, 2290--2304. [CrossRef]
  1. Zhong, Z.; Li, J.; Luo, Z.; Chapman, M. Spectral--Spatial Residual Network for Hyperspectral Image Classification: A 3-D Deep Learning Framework. IEEE Trans. Geosci. Remote Sens. 2018, 56, 847--858. [CrossRef]
中文翻译：[159] 钟, Z.; 李, J.; 罗, Z.; 查普曼, M. 超光谱图像分类的光谱-空间残差网络: 一种 3-D 深度学习框架. IEEE 地球科学与遥感汇刊, 2018, 56, 847--858. [CrossRef]
  1. Liu, X.; Sun, Q.; Meng, Y.; Fu, M.; Bourennane, S. Hyperspectral Image Classification Based on Parameter-Optimized 3D-CNNs Combined with Transfer Learning and Virtual Samples. Remote Sens. 2018, 10, 1425. [CrossRef]
中文翻译：[160] 刘, X.; 孙, Q.; 孟, Y.; 付, M.; 布雷南, S. 基于参数优化的 3D-CNN 结合迁移学习和虚拟样本的超光谱图像分类. 遥感, 2018, 10, 1425. [CrossRef]
  1. Ouyang, N.; Zhu, T.; Lin, L. Convolutional Neural Network Trained by Joint Loss for Hyperspectral Image Classification. IEEE Geosci. Remote Sens. Lett. 2018, 16, 457--461. [CrossRef]
中文翻译：[161] 欧阳, N.; 祝, T.; 林, L. 通过联合损失训练的卷积神经网络用于超光谱图像分类. IEEE 地球科学与遥感快报, 2018, 16, 457--461. [CrossRef]
  1. Ma, X.; Fu, A.; Wang, J.; Wang, H.; Yin, B. Hyperspectral Image Classification Based on Deep Deconvolution Network With Skip Architecture. IEEE Trans. Geosci. Remote Sens. 2018, 56, 4781--4791. [CrossRef]
中文翻译：[162] 马, X.; 付, A.; 王, J.; 王, H.; 阴, B. 基于带有跳跃结构的深度反卷积网络的超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 56, 4781--4791. [CrossRef]
  1. Zhang, H.; Li, Y.; Zhang, Y.; Shen, Q. Spectral--spatial classification of hyperspectral imagery using a dual-channel convolutional neural network. Remote Sens. Lett. 2017, 8, 438--447. [CrossRef]
中文翻译：[163] 张, H.; 李, Y.; 张, Y.; 沈, Q. 使用双通道卷积神经网络的超光谱图像光谱-空间分类. 遥感快报, 2017, 8, 438--447. [CrossRef]
  1. Gao, H.; Yang, Y.; Li, C.; Zhou, H.; Qu, X. Joint Alternate Small Convolution and Feature Reuse for Hyperspectral Image Classification. ISPRS Int. J. Geo-Inf. 2018, 7, 349. [CrossRef]
中文翻译：[164] 高, H.; 杨, Y.; 李, C.; 周, H.; 屈, X. 超光谱图像分类的联合小卷积和特征重用. ISPRS 国际地理信息杂志, 2018, 7, 349. [CrossRef]
  1. Luan, S.; Chen, C.; Zhang, B.; Han, J.; Liu, J. Gabor Convolutional Networks. IEEE Trans. Image Process. 2018, 27, 4357--4366. [CrossRef]
中文翻译：[165] 炼, S.; 陈, C.; 张, B.; 韩, J.; 刘, J. Gabor 卷积网络. IEEE 图像处理汇刊, 2018, 27, 4357--4366. [CrossRef]
  1. Chopra, S.; Hadsell, R.; LeCun, Y. Learning a similarity metric discriminatively, with application to face verification. In Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05), San Diego, CA, USA, 20--25 June 2005; Volume 1, pp. 539--546.
中文翻译：[166] 乔普拉, S.; 哈德塞尔, R.; 勒昆, Y. 判别式学习相似性度量, 应用于面部验证. 在《2005 IEEE 计算机视觉与模式识别会议论文集》中, 美国加利福尼亚州圣地亚哥, 2005 年 6 月 20--25 日; 第 1 卷, 页码. 539--546.
  1. Li, F.F.; Fergus, R.; Perona, P. One-shot learning of object categories. IEEE Trans. Pattern Anal. Mach. Intell. 2006, 28, 594--611.
中文翻译：[167] 李, F.F.; 费格斯, R.; 佩罗纳, P. 对象类别的单次学习. IEEE 模式分析与机器智能汇刊, 2006, 28, 594--611.
  1. Achanta, R.; Shaji, A.; Smith, K.; Lucchi, A.; Fua, P.; Süsstrunk, S. SLIC Superpixels Compared to State-of-the-Art Superpixel Methods. IEEE Trans. Pattern Anal. Mach. Intell. 2012, 34, 2274--2282, doi:10.1109/TPAMI.2012.120. [CrossRef]
中文翻译：[168] 阿恰恩塔, R.; 沙吉, A.; 史密斯, K.; 卢奇, A.; 福, P.; 苏斯特朗克, S. SLIC 超像素与最先进的超像素方法比较. IEEE 模式分析与机器智能汇刊, 2012, 34, 2274--2282, doi:10.1109/TPAMI.2012.120. [CrossRef]
  1. Chen, Y.; Lin, Z.; Zhao, X.; Wang, G.; Gu, Y. Deep Learning-Based Classification of Hyperspectral Data. IEEE J.

Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 2094--2107. [CrossRef]

中文翻译：[169] 陈, Y.; 林, Z.; 赵, X.; 王, G.; 顾, Y. 基于深度学习的超光谱数据分类. IEEE 应用地球观测与遥感杂志, 2014, 7, 2094--2107. [CrossRef]
  1. Tao, C.; Pan, H.; Li, Y.; Zou, Z. Unsupervised spectral--spatial feature learning with stacked sparse autoencoder for hyperspectral imagery classification. IEEE Geosci. Remote Sens. Lett. 2015, 12, 2438--2442. [CrossRef]
中文翻译：[170] 陶, C.; 潘, H.; 李, Y.; 邹, Z. 使用堆叠稀疏自编码器的无监督光谱-空间特征学习用于超光谱图像分类. IEEE 地球科学与遥感快报, 2015, 12, 2438--2442. [CrossRef]
  1. Kussul, N.; Lavreniuk, M.; Skakun, S.; Shelestov, A. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geosci. Remote Sens. Lett. 2017, 14, 778--782. [CrossRef]
中文翻译：[171] 库苏尔, N.; 拉夫伦尼乌克, M.; 斯卡昆, S.; 谢列斯托夫, A. 使用遥感数据的深度学习分类土地覆盖和作物类型. IEEE 地球科学与遥感快报, 2017, 14, 778--782. [CrossRef]
  1. Ma, X.; Geng, J.; Wang, H. Hyperspectral image classification via contextual deep learning. EURASIP J. Image Video Process. 2015, 2015, 20. [CrossRef]
中文翻译：[172] 马, X.; 耿, J.; 王, H. 通过上下文深度学习的超光谱图像分类. EURASIP 图像视频处理杂志, 2015, 2015, 20. [CrossRef]
  1. Ma, X.; Wang, H.; Geng, J.; Wang, J. Hyperspectral image classification with small training set by deep network and relative distance prior. In Proceedings of the 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10--15 July 2016; pp. 3282--3285.
中文翻译：[173] 马, X.; 王, H.; 耿, J.; 王, J. 使用深度网络和相对距离先验的小训练集超光谱图像分类. 在《2016 IEEE 国际地球科学与遥感研讨会论文集》中, 中国北京, 2016 年 7 月 10--15 日; 页码. 3282--3285.
  1. Ma, X.; Wang, H.; Geng, J. Spectral--Spatial Classification of Hyperspectral Image Based on Deep Auto-Encoder. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2016, 9, 4073--4085. [CrossRef]
中文翻译：[174] 马, X.; 王, H.; 耿, J. 基于深度自编码器的超光谱图像光谱-空间分类. IEEE 应用地球观测与遥感杂志, 2016, 9, 4073--4085. [CrossRef]
  1. Yue, J.; Mao, S.; Li, M. A deep learning framework for hyperspectral image classification using spatial pyramid pooling. Remote Sens. Lett. 2016, 7, 875--884. [CrossRef]
中文翻译：[175] 乐, J.; 毛, S.; 李, M. 使用空间金字塔池化的超光谱图像分类深度学习框架. 遥感快报, 2016, 7, 875--884. [CrossRef]
  1. Liu, Y.; Cao, G.; Sun, Q.; Siegel, M. Hyperspectral classification via deep networks and superpixel segmentation. Int. J. Remote Sens. 2015, 36, 3459--3482. [CrossRef]
中文翻译：[176] 刘, Y.; 曹, G.; 孙, Q.; 西格尔, M. 通过深度网络和超像素分割的超光谱分类. 国际遥感杂志, 2015, 36, 3459--3482. [CrossRef]
  1. Windrim, L.; Ramakrishnan, R.; Melkumyan, A.; Murphy, R.J. A Physics-Based Deep Learning Approach to Shadow Invariant Representations of Hyperspectral Images. IEEE Trans. Image Process. 2018, 27, 665--677. [CrossRef]
中文翻译：[177] 温德里姆, L.; 拉马克里斯南, R.; 梅尔库米安, A.; 墨菲, R.J. 一种基于物理的深度学习方法用于超光谱图像的阴影不变表示. IEEE 图像处理汇刊, 2018, 27, 665--677. [CrossRef]
  1. Ball, J.E.; Wei, P. Deep Learning Hyperspectral Image Classification using Multiple Class-Based Denoising Autoencoders, Mixed Pixel Training Augmentation, and Morphological Operations. In Proceedings of the IGARSS 2018---2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 22--27 July 2018; pp. 6903--6906.
中文翻译：[178] 巴尔, J.E.; 韦, P. 使用基于多类别的去噪自编码器、混合像素训练增强和形态学操作的深度学习超光谱图像分类. 在《2018 IEEE 国际地球科学与遥感研讨会论文集》中, 西班牙瓦伦西亚, 2018 年 7 月 22--27 日; 页码. 6903--6906.
  1. Lan, R.; Li, Z.; Liu, Z.; Gu, T.; Luo, X. Hyperspectral image classification using k-sparse denoising autoencoder and spectral--restricted spatial characteristics. Appl. Soft Comput. 2019, 74, 693--708. [CrossRef]
中文翻译：[179] 兰, R.; 李, Z.; 刘, Z.; 顾, T.; 罗, X. 使用 k-稀疏去噪自编码器和光谱限制空间特征的超光谱图像分类. 应用软计算, 2019, 74, 693--708. [CrossRef]
  1. Chen, Y.; Zhao, X.; Jia, X. Spectral--Spatial Classification of Hyperspectral Data Based on Deep Belief Network. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2015, 8, 2381--2392. [CrossRef]
中文翻译：[180] 陈, Y.; 赵, X.; 贾, X. 基于深度信念网络的超光谱数据光谱-空间分类. IEEE 应用地球观测与遥感杂志, 2015, 8, 2381--2392. [CrossRef]
  1. Wang, M.; Zhao, M.; Chen, J.; Rahardja, S. Nonlinear Unmixing of Hyperspectral Data via Deep Autoencoder Networks. IEEE Geosci. Remote Sens. Lett. 2019, 1--5. [CrossRef]
中文翻译：[181] 王, M.; 赵, M.; 陈, J.; 拉哈迪亚, S. 通过深度自编码器网络的超光谱数据非线性分解. IEEE 地球科学与遥感快报, 2019, 1--5. [CrossRef]
  1. Ozkan, S.; Kaya, B.; Akar, G.B. EndNet: Sparse AutoEncoder Network for Endmember Extraction and Hyperspectral Unmixing. IEEE Trans. Geosci. Remote Sens. 2019, 57, 482--496. [CrossRef]
中文翻译：[182] 奥兹坎, S.; 卡亚, B.; 阿卡尔, G.B. EndNet: 用于端元提取和超光谱分解的稀疏自编码器网络. IEEE 地球科学与遥感汇刊, 2019, 57, 482--496. [CrossRef]
  1. He, Z.; Liu, H.; Wang, Y.; Hu, J. Generative Adversarial Networks-Based Semi-Supervised Learning for Hyperspectral Image Classification. Remote Sens. 2017, 9, 1042. [CrossRef]
中文翻译：[183] 何, Z.; 刘, H.; 王, Y.; 胡, J. 基于生成对抗网络的半监督学习用于超光谱图像分类. 遥感, 2017, 9, 1042. [CrossRef]
  1. Zhang, M.; Gong, M.; Mao, Y.; Li, J.; Wu, Y. Unsupervised Feature Extraction in Hyperspectral Images Based on Wasserstein Generative Adversarial Network. IEEE Trans. Geosci. Remote Sens. 2018, 57, 2669--2688. [CrossRef]
中文翻译：[184] 张, M.; 巩, M.; 毛, Y.; 李, J.; 吴, Y. 基于 Wasserstein 生成对抗网络的超光谱图像无监督特征提取. IEEE 地球科学与遥感汇刊, 2018, 57, 2669--2688. [CrossRef]
  1. Zhan, Y.; Wu, K.; Liu, W.; Qin, J.; Yang, Z.; Medjadba, Y.; Wang, G.; Yu, X. Semi-Supervised Classification of Hyperspectral Data Based on Generative Adversarial Networks and Neighborhood Majority Voting. In Proceedings of the IGARSS 2018---2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 22--27 July 2018; pp. 5756--5759.
中文翻译：[185] 战, Y.; 吴, K.; 刘, W.; 秦, J.; 杨, Z.; 梅达巴, Y.; 王, G.; 于, X. 基于生成对抗网络和邻域多数投票的超光谱数据半监督分类. 在《2018 IEEE 国际地球科学与遥感研讨会论文集》中, 西班牙瓦伦西亚, 2018 年 7 月 22--27 日; 页码. 5756--5759.
  1. Bashmal, L.; Bazi, Y.; AlHichri, H.; AlRahhal, M.M.; Ammour, N.; Alajlan, N. Siamese-GAN: Learning Invariant Representations for Aerial Vehicle Image Categorization. Remote Sens. 2018, 10, 351. [CrossRef]
中文翻译：[186] 巴什马尔, L.; 巴齐, Y.; 阿尔希克里, H.; 阿尔拉赫尔, M.M.; 阿姆莫尔, N.; 阿拉杰兰, N. Siamese-GAN: 学习用于无人机图像分类的不变表示. 遥感, 2018, 10, 351. [CrossRef]
  1. Wu, H.; Prasad, S. Convolutional Recurrent Neural Networks for Hyperspectral Data Classification. Remote Sens. 2017, 9, 298. [CrossRef]
中文翻译：[187] 吴, H.; 普拉德, S. 用于超光谱数据分类的卷积递归神经网络. 遥感, 2017, 9, 298. [CrossRef]
  1. Shi, C.; Pun, C.M. Superpixel-based 3D deep neural networks for hyperspectral image classification. Pattern Recognit. 2018, 74, 600--616. [CrossRef]
中文翻译：[188] 施, C.; 潘, C.M. 基于超像素的 3D 深度神经网络用于超光谱图像分类. 模式识别, 2018, 74, 600--616. [CrossRef]
  1. Windrim, L.; Ramakrishnan, R.; Melkumyan, A.; Murphy, R.J. Hyperspectral CNN Classification with Limited Training Samples. arXiv 2016, arXiv:1611.09007.
中文翻译：[189] 温德里姆, L.; 拉马克里斯南, R.; 梅尔库米安, A.; 墨菲, R.J. 训练样本有限的超光谱 CNN 分类. arXiv 2016, arXiv:1611.09007.
  1. Li, W.; Chen, C.; Zhang, M.; Li, H.; Du, Q. Data Augmentation for Hyperspectral Image Classification With Deep CNN. IEEE Geosci. Remote Sens. Lett. 2019, 16, 593--597. [CrossRef]
中文翻译：[190] 李, W.; 陈, C.; 张, M.; 李, H.; 杜, Q. 使用深度 CNN 的超光谱图像分类数据增强. IEEE 地球科学与遥感快报, 2019, 16, 593--597. [CrossRef]
  1. Windrim, L.; Melkumyan, A.; Murphy, R.J.; Chlingaryan, A.; Ramakrishnan, R. Pretraining for Hyperspectral Convolutional Neural Network Classification. IEEE Trans. Geosci. Remote Sens. 2018, 56, 2798--2810. [CrossRef]
中文翻译：[191] 温德里姆, L.; 梅尔库米安, A.; 墨菲, R.J.; 奇林加里安, A.; 拉马克里斯南, R. 超光谱卷积神经网络分类的预训练. IEEE 地球科学与遥感汇刊, 2018, 56, 2798--2810. [CrossRef]
  1. Lin, J.; Ward, R.; Wang, Z.J. Deep transfer learning for hyperspectral image classification. In Proceedings of the 2018 IEEE 20th International Workshop on Multimedia Signal Processing (MMSP), Vancouver, BC, Canada, 29--31 August 2018; pp. 1--5.
中文翻译：[192] 林, J.; 瓦德, R.; 王, Z.J. 超光谱图像分类的深度迁移学习. 在《2018 IEEE 第 20 届多媒体信号处理国际研讨会论文集》中, 加拿大不列颠哥伦比亚省温哥华, 2018 年 8 月 29--31 日; 页码. 1--5.
  1. Ratle, F.; Camps-Valls, G.; Weston, J. Semisupervised Neural Networks for Efficient Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2010, 48, 2271--2282. [CrossRef]
中文翻译：[193] 拉特尔, F.; 营斯-瓦尔斯, G.; 韦斯顿, J. 用于高效超光谱图像分类的半监督神经网络. IEEE 地球科学与遥感汇刊, 2010, 48, 2271--2282. [CrossRef]
  1. Romero, A.; Gatta, C.; Camps-Valls, G. Unsupervised Deep Feature Extraction for Remote Sensing Image Classification. IEEE Trans. Geosci. Remote Sens. 2016, 54, 1349--1362. [CrossRef]
中文翻译：[194] 罗梅罗, A.; 加塔, C.; 营斯-瓦尔斯, G. 用于遥感图像分类的无监督深度特征提取. IEEE 地球科学与遥感汇刊, 2016, 54, 1349--1362. [CrossRef]
  1. Maggiori, E.; Tarabalka, Y.; Charpiat, G.; Alliez, P. Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification. IEEE Trans. Geosci. Remote Sens. 2017, 55, 645--657. [CrossRef]
中文翻译：[195] 马吉奥里, E.; 塔巴拉卡, Y.; 查皮亚特, G.; 阿利埃, P. 用于大规模遥感图像分类的卷积神经网络. IEEE 地球科学与遥感汇刊, 2017, 55, 645--657. [CrossRef]
  1. Mou, L.; Ghamisi, P.; Zhu, X.X. Unsupervised Spectral--Spatial Feature Learning via Deep Residual Conv--Deconv Network for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2018, 56, 391--406. [CrossRef]
中文翻译：[196] 茉, L.; 荷米西, P.; 朱, X.X. 通过深度残差卷积-反卷积网络的无监督光谱-空间特征学习用于超光谱图像分类. IEEE 地球科学与遥感汇刊, 2018, 56, 391--406. [CrossRef]
  1. Wu, H.; Prasad, S. Semi-Supervised Deep Learning Using Pseudo Labels for Hyperspectral Image Classification. IEEE Trans. Image Process. 2018, 27, 1259--1270. [CrossRef]
中文翻译：[197] 吴, H.; 普拉德, S. 使用伪标签的半监督深度学习用于超光谱图像分类. IEEE 图像处理汇刊, 2018, 27, 1259--1270. [CrossRef]
  1. Pan, X.; Zhao, J. High-Resolution Remote Sensing Image Classification Method Based on Convolutional Neural Network and Restricted Conditional Random Field. Remote Sens. 2018, 10, 920. [CrossRef]
中文翻译：[198] 潘, X.; 赵, J. 基于卷积神经网络和受限条件随机场的高分辨率遥感图像分类方法. 遥感, 2018, 10, 920. [CrossRef]
  1. Hu, Y.; Zhang, J.; Ma, Y.; An, J.; Ren, G.; Li, X. Hyperspectral Coastal Wetland Classification Based on a Multiobject Convolutional Neural Network Model and Decision Fusion. IEEE Geosci. Remote Sens. Lett. 2019, 1--5. [CrossRef]
中文翻译：[199] 胡, Y.; 张, J.; 马, Y.; 安, J.; 任, G.; 李, X. 基于多目标卷积神经网络模型和决策融合的超光谱滨海湿地分类. IEEE 地球科学与遥感快报, 2019, 1--5. [CrossRef]
  1. Pan, B.; Shi, Z.; Xu, X. R-VCANet: A New Deep-Learning-Based Hyperspectral Image Classification Method. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 1975--1986. [CrossRef]
中文翻译：[200] 潘, B.; 施, Z.; 徐, X. R-VCANet: 一种基于深度学习的超光谱图像分类新方法. IEEE 应用地球观测与遥感杂志, 2017, 10, 1975--1986. [CrossRef]
  1. Pan, B.; Shi, Z.; Xu, X. MugNet: Deep learning for hyperspectral image classification using limited samples. ISPRS J. Photogramm. Remote Sens. 2018, 145, 108--119. [CrossRef]
中文翻译：[201] 潘, B.; 施, Z.; 徐, X. MugNet: 使用有限样本的超光谱图像分类深度学习. ISPRS 测绘与遥感杂志, 2018, 145, 108--119. [CrossRef]
  1. Ghamisi, P.; Chen, Y.; Zhu, X.X. A Self-Improving Convolution Neural Network for the Classification of Hyperspectral Data. IEEE Geosci. Remote Sens. Lett. 2016, 13, 1537--1541. [CrossRef]
中文翻译：[202] 荷米西, P.; 陈, Y.; 朱, X.X. 用于超光谱数据分类的自改进卷积神经网络. IEEE 地球科学与遥感快报, 2016, 13, 1537--1541. [CrossRef]
  1. Wang, Z.; Du, B.; Shi, Q.; Tu, W. Domain Adaptation With Discriminative Distribution and Manifold Embedding for Hyperspectral Image Classification. IEEE Geosci. Remote Sens. Lett. 2019, 1--5. [CrossRef]
中文翻译：[203] 王, Z.; 杜, B.; 施, Q.; 屠, W. 带有判别分布和流形嵌入的超光谱图像分类的域适应. IEEE 地球科学与遥感快报, 2019, 1--5. [CrossRef]
  1. Liu, P.; Zhang, H.; Eom, K.B. Active Deep Learning for Classification of Hyperspectral Images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017, 10, 712--724. [CrossRef]
中文翻译：[204] 刘, P.; 张, H.; 乌姆, K.B. 用于超光谱图像分类的主动深度学习. IEEE 应用地球观测与遥感杂志, 2017, 10, 712--724. [CrossRef]
  1. Lin, J.; Zhao, L.; Li, S.; Ward, R.; Wang, Z.J. Active-Learning-Incorporated Deep Transfer Learning for Hyperspectral Image Classification. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2018, 11, 4048--4062. [CrossRef]
中文翻译：[205] 林, J.; 赵, L.; 李, S.; 瓦德, R.; 王, Z.J. 结合主动学习的深度迁移学习用于超光谱图像分类. IEEE 应用地球观测与遥感杂志, 2018, 11, 4048--4062. [CrossRef]
  1. Haut, J.M.; Paoletti, M.E.; Plaza, J.; Li, J.; Plaza, A. Active Learning With Convolutional Neural Networks for Hyperspectral Image Classification Using a New Bayesian Approach. IEEE Trans. Geosci. Remote Sens. 2018, 56, 6440--6461. [CrossRef]
中文翻译：[206] 豪特, J.M.; 帕奥莱蒂, M.E.; 普拉扎, J.; 李, J.; 普拉扎, A. 使用新贝叶斯方法的卷积神经网络的超光谱图像分类主动学习. IEEE 地球科学与遥感汇刊, 2018, 56, 6440--6461. [CrossRef]
  1. Li, Y.; Hu, J.; Zhao, X.; Xie, W.; Li, J. Hyperspectral image super-resolution using deep convolutional neural network. Neurocomputing 2017, 266, 29--41. [CrossRef]
中文翻译：[207] 李, Y.; 胡, J.; 赵, X.; 谢, W.; 李, J. 使用深度卷积神经网络的超光谱图像超分辨率. 神经计算, 2017, 266, 29--41. [CrossRef]
  1. He, Z.; Liu, L. Hyperspectral Image Super-Resolution Inspired by Deep Laplacian Pyramid Network. Remote Sens. 2018, 10, 1939. [CrossRef]
中文翻译：[208] 何, Z.; 刘, L. 受深度拉普拉斯金字塔网络启发的超光谱图像超分辨率. 遥感, 2018, 10, 1939. [CrossRef]
  1. Paoletti, M.E.; Haut, J.M.; Fernandez-Beltran, R.; Plaza, J.; Plaza, A.; Li, J.; Pla, F. Capsule Networks for Hyperspectral Image Classification. IEEE Trans. Geosci. Remote Sens. 2019, 57, 2145--2160. [CrossRef]
中文翻译：[209] 帕奥莱蒂, M.E.; 豪特, J.M.; 费尔南德斯-贝尔特兰, R.; 普拉扎, J.; 普拉扎, A.; 李, J.; 普拉, F. 用于超光谱图像分类的胶囊网络. IEEE 地球科学与遥感汇刊, 2019, 57, 2145--2160. [CrossRef]
  1. Wang, W.Y.; Li, H.C.; Pan, L.; Yang, G.; Du, Q. Hyperspectral Image Classification Based on Capsule Network. In Proceedings of the IGARSS 2018---2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 22--27 July 2018; pp. 3571--3574.
中文翻译：[210] 王, W.Y.; 李, H.C.; 潘, L.; 杨, G.; 杜, Q. 基于胶囊网络的超光谱图像分类. 在《2018 IEEE 国际地球科学与遥感研讨会论文集》中, 西班牙瓦伦西亚, 2018 年 7 月 22--27 日; 页码. 3571--3574.
  1. Zhu, K.; Chen, Y.; Ghamisi, P.; Jia, X.; Benediktsson, J.A. Deep Convolutional Capsule Network for Hyperspectral Image Spectral and Spectral--Spatial Classification. Remote Sens. 2019, 11, 223. [CrossRef]
中文翻译：[211] 朱, K.; 陈, Y.; 荷米西, P.; 贾, X.; 本迪克特松, J.A. 用于超光谱图像光谱和光谱-空间分类的深度卷积胶囊网络. 遥感, 2019, 11, 223. [CrossRef]
  1. Yin, J.; Li, S.; Zhu, H.; Luo, X. Hyperspectral Image Classification Using CapsNet With Well-Initialized Shallow Layers. IEEE Geosci. Remote Sens. Lett. 2019, 1--5. [CrossRef]
中文翻译：[212] 阴, J.; 李, S.; 朱, H.; 罗, X. 使用具有良好初始化浅层的 CapsNet 的超光谱图像分类. IEEE 地球科学与遥感快报, 2019, 1--5. [CrossRef]
  1. Haut, J.M.; Bernabé, S.; Paoletti, M.E.; Fernandez-Beltran, R.; Plaza, A.; Plaza, J. Low-High-Power Consumption Architectures for Deep-Learning Models Applied to Hyperspectral Image Classification. IEEE Geosci. Remote Sens. Lett. 2019, 16, 776--780. [CrossRef]
中文翻译：[213] 豪特, J.M.; 伯纳贝, S.; 帕奥莱蒂, M.E.; 费尔南德斯-贝尔特兰, R.; 普拉扎, A.; 普拉扎, J. 用于超光谱图像分类的深度学习模型的低-高功耗架构. IEEE 地球科学与遥感快报, 2019, 16, 776--780. [CrossRef]
  1. Paoletti, M.; Haut, J.; Plaza, J.; Plaza, A. A new deep convolutional neural network for fast hyperspectral image classification. ISPRS J. Photogramm. Remote Sens. 2018, 145, 120--147. [CrossRef]
中文翻译：[214] 帕奥莱蒂, M.; 豪特, J.; 普拉扎, J.; 普拉扎, A. 一种用于快速超光谱图像分类的新深度卷积神经网络. ISPRS 测绘与遥感杂志, 2018, 145, 120--147. [CrossRef]
  1. LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436. [CrossRef] [PubMed]
中文翻译：[215] 勒昆, Y.; 本吉奥, Y.; 辛顿, G. 深度学习. 自然, 2015, 521, 436. [CrossRef] [PubMed]
  1. Goodfellow, I.; Bengio, Y.; Courville, A.; Bengio, Y. Deep Learning; MIT Press: Cambridge, MA, USA, 2016; Volume 1.
中文翻译：[216] 古德费洛, I.; 本吉奥, Y.; 库维尔, A.; 本吉奥, Y. 深度学习; 麻省理工学院出版社: 美国马萨诸塞州剑桥, 2016; 第 1 卷.
  1. Ranzato, M.A.; Szummer, M. Semi-supervised Learning of Compact Document Representations with Deep Networks. In Proceedings of the 25th International Conference on Machine Learning, Helsinki, Finland, 5--9 July 2008; ACM: New York, NY, USA, 2008; pp. 792--799.
中文翻译：[217] 兰扎托, M.A.; 苏默, M. 使用深度网络的紧凑文档表示的半监督学习. 在《第 25 届国际机器学习会议论文集》中, 芬兰赫尔辛基, 2008 年 7 月 5--9 日; ACM: 美国纽约, 2008; 页码. 792--799.
  1. LeCun, Y.; Boser, B.E.; Denker, J.S.; Henderson, D.; Howard, R.E.; Hubbard, W.E.; Jackel, L.D. Handwritten digit recognition with a back-propagation network. In Advances in Neural Information Processing Systems; Morgan Kaufman: Denver, CO, USA, 1990; pp. 396--404.
中文翻译：[218] 勒昆, Y.; 波瑟, B.E.; 登克尔, J.S.; 亨德森, D.; 霍华德, R.E.; 休伯, W.E.; 杰克尔, L.D. 使用反向传播网络的手写数字识别. 在《神经信息处理系统进展》中; 摩根考夫曼: 美国科罗拉多州丹佛, 1990; 页码. 396--404.
  1. Krizhevsky, A.; Sutskever, I.; Hinton, G.E. Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems; Curran Associates, Inc.: Lake Tahoe, NV, USA, 2012; pp. 1097--1105.
中文翻译：[219] 克里兹韦斯基, A.; 苏茨克弗, I.; 辛顿, G.E. 使用深度卷积神经网络的 ImageNet 分类. 在《神经信息处理系统进展》中; Curran Associates, Inc.: 美国内华达州太浩湖, 2012; 页码. 1097--1105.
  1. Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.; Rabinovich, A. Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, USA, 7--12 June 2015; pp. 1--9.
中文翻译：[220] 施格迪, C.; 刘, W.; 贾, Y.; 赛尔曼特, P.; 里德, S.; 安格洛夫, D.; 埃尔汉, D.; 凡霍克, V.; 拉宾诺维奇, A. 用卷积深入. 在《IEEE 计算机视觉与模式识别会议论文集》中, 美国马萨诸塞州波士顿, 2015 年 6 月 7--12 日; 页码. 1--9.
  1. Simonyan, K.; Zisserman, A. Very deep convolutional networks for large-scale image recognition. arXiv 2014, arXiv:1409.1556.
中文翻译：[221] 西蒙尼扬, K.; 齐瑟曼, A. 用于大规模图像识别的非常深的卷积网络. arXiv 2014, arXiv:1409.1556.
  1. He, K.; Zhang, X.; Ren, S.; Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 27--30 June 2016; pp. 770--778.
中文翻译：[222] 何, K.; 张, X.; 任, S.; 孙, J. 用于图像识别的深度残差学习. 在《IEEE 计算机视觉与模式识别会议论文集》中, 美国内华达州拉斯维加斯, 2016 年 6 月 27--30 日; 页码. 770--778.
  1. Iandola, F.; Moskewicz, M.; Karayev, S.; Girshick, R.; Darrell, T.; Keutzer, K. Densenet: Implementing efficient convnet descriptor pyramids. arXiv 2014, arXiv:1404.1869.
中文翻译：[223] 伊安多拉, F.; 莫斯克维茨, M.; 卡拉耶夫, S.; 吉尔什克, R.; 达雷尔, T.; 凯泽特, K. Densenet: 实现高效的卷积网络描述符金字塔. arXiv 2014, arXiv:1404.1869.
  1. Howard, A.G.; Zhu, M.; Chen, B.; Kalenichenko, D.; Wang, W.; Weyand, T.; Andreetto, M.; Adam, H. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv 2017, arXiv:1704.04861.
中文翻译：[224] 霍华德, A.G.; 朱, M.; 陈, B.; 卡伦琴科, D.; 王, W.; 韦安德, T.; 安德烈托, M.; 亚当, H. Mobilenets: 用于移动视觉应用的高效卷积神经网络. arXiv 2017, arXiv:1704.04861.
  1. Iandola, F.N.; Han, S.; Moskewicz, M.W.; Ashraf, K.; Dally, W.J.; Keutzer, K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5 MB model size. arXiv 2016, arXiv:1602.07360.
中文翻译：[225] 伊安多拉, F.N.; 韩, S.; 莫斯克维茨, M.W.; 阿什拉夫, K.; 达利, W.J.; 凯泽特, K. SqueezeNet: 参数数量减少 50 倍且模型大小小于 0.5 MB 的 AlexNet 级准确度. arXiv 2016, arXiv:1602.07360.
  1. Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9, 1735--1780. [CrossRef] [PubMed]
中文翻译：[226] 霍赫雷特, S.; 施密德胡伯, J. 长短期记忆. 神经计算, 1997, 9, 1735--1780. [CrossRef] [PubMed]
  1. Chung, J.; Gulcehre, C.; Cho, K.; Bengio, Y. Gated feedback recurrent neural networks. In Proceedings of the International Conference on Machine Learning, Lille, France, 6--11 July 2015; pp. 2067--2075.
中文翻译：[227] 仲, J.; 古尔切赫雷, C.; 乔, K.; 本吉奥, Y. 门控反馈递归神经网络. 在《国际机器学习会议论文集》中, 法国里尔, 2015 年 7 月 6--11 日; 页码. 2067--2075.
  1. Bengio, Y.; Lamblin, P.; Popovici, D.; Larochelle, H. Greedy layer-wise training of deep networks. In Advances in Neural Information Processing Systems; MIT Press: Cambridge, MA, USA, 2007; pp. 153--160.
中文翻译：[228] 本吉奥, Y.; 兰布林, P.; 波波维奇, D.; 拉罗谢尔, H. 深度网络的贪婪逐层训练. 在《神经信息处理系统进展》中; 麻省理工学院出版社: 美国马萨诸塞州剑桥, 2007; 页码. 153--160.
  1. Hinton, G.E.; Salakhutdinov, R.R. Reducing the dimensionality of data with neural networks. Science 2006, 313, 504--507. [CrossRef] [PubMed]
中文翻译：[229] 辛顿, G.E.; 萨拉胡特迪诺夫, R.R. 使用神经网络降低数据维度. 科学, 2006, 313, 504--507. [CrossRef] [PubMed]
  1. Larochelle, H.; Erhan, D.; Courville, A.; Bergstra, J.; Bengio, Y. An empirical evaluation of deep architectures on problems with many factors of variation. In Proceedings of the 24th International Conference on Machine Learning, Corvalis, OR, USA, 20--24 June 2007; ACM: New York, NY, USA, 2007; pp. 473--480.
中文翻译：[230] 拉罗谢尔, H.; 埃尔汉, D.; 库维尔, A.; 伯格斯特拉, J.; 本吉奥, Y. 在具有许多变化因素的问题上对深度架构的实证评估. 在《第 24 届国际机器学习会议论文集》中, 美国俄勒冈州科瓦利斯, 2007 年 6 月 20--24 日; ACM: 美国纽约, 2007; 页码. 473--480.
相关推荐
HUIBUR科技38 分钟前
量子计算遇上人工智能：突破算力瓶颈的关键？
人工智能·量子计算
CES_Asia40 分钟前
CES Asia 2025聚焦量子与空间技术
人工智能·科技·数码相机·金融·量子计算·智能手表
程序猿阿伟43 分钟前
《量子比特：解锁人工智能并行计算加速的密钥》
人工智能·量子计算
来瓶霸王防脱发2 小时前
【C#深度学习之路】如何使用C#实现Yolo5/8/11全尺寸模型的训练和推理
深度学习·yolo·机器学习·c#
music&movie2 小时前
代码填空任务---自编码器模型
python·深度学习·机器学习
盖丽男2 小时前
机器学习的组成
人工智能·机器学习
风一样的树懒3 小时前
Python使用pip安装Caused by SSLError:certificate verify failed
人工智能·python
9命怪猫3 小时前
AI大模型-提示工程学习笔记5-零提示
人工智能·笔记·学习·ai·提示工程
cnbestec3 小时前
GelSight Mini视触觉传感器凝胶触头升级:增加40%耐用性,拓展机器人与触觉AI 应用边界
人工智能·机器人
bohu833 小时前
ros2-4.2 用python实现人脸识别
人工智能·opencv·人脸识别·ros2·服务调用
热门推荐
01图像分割：Pytorch实现UNet++进行医学细胞分割02半导体应用系统一些小知识收集(strip&wafer mapping,EAP&scada)03HCIA-datacom数通题库和录播视频资料04如何在 Ubuntu 22.04 上安装并开始使用 RabbitMQ05渗透测试之SQLMAP工具详解 kali自带SQLmap解释 重点sqlmap --tamper 使用方式详解 搞完你就很nice了06优化手机性能，解决卡顿问题：关闭这3个微信开关，释放内存空间07【模型压缩】 LPPN论文阅读笔记08新手学习VR全景需要知道的几个问题09校验 GPT-4 真实性的三个经典问题：快速区分 GPT-3.5 与 GPT-4，并提供免费测试网站10音频——I2S TDM 模式(六)