基于视觉大模型的高光谱遥感处理研究取得进展
文章导读
你是否知道，让卫星“看懂”地球的每一寸土地，正面临样本稀缺的致命瓶颈？中国科学院西安光机所团队突破性提出SpectralDINO框架，首次将视觉大模型引入高光谱遥感分类，通过创新的光谱对齐机制与低秩适应模块，破解跨域泛化难题。该方法在极少数标注样本下实现精准识别，多项指标刷新世界纪录，为环境监测、智慧农业打开全新可能。一场遥感智能的革命，悄然降临。
— 内容由好学术AI分析文章内容生成，仅供参考。
与传统光学遥感相比，高光谱遥感图像具有数百个独立光谱波段，能够更精确地识别地表物质。然而，标注样本稀缺长期以来严重制约了其实际应用。现有研究普遍采用少样本学习范式，虽在一定程度上缓解了样本不足的问题，但由于缺乏对跨域光谱信息的一致性约束，加之数据稀缺导致模型规模难以扩展，其跨域泛化能力仍然受限。
针对上述问题，中国科学院西安光学精密机械研究所团队，创新性地提出了一种基于视觉大模型的高光谱少样本分类框架SpectralDINO。该框架通过源域光谱对齐模块统一各数据域的光谱信息，增强模型学习跨域通用特征能力。团队同时设计了一种新型低秩适应（LoRA）模块，并使用交替训练策略对视觉大模型进行微调，通过双混合子空间的设计，解决了原始LoRA无法区分跨域数据的结构性问题。
实验显示，该方法有效提升了模型从少量样本提取特征的泛化能力，提高了模型在高光谱少样本分类任务中的表现，在多个公开数据集上超越现有先进方法并实现了最佳分类准确率，为环境检测、精准农业等遥感应用提供新的技术路径。
相关研究成果发表在《IEEE地球科学与遥感学报》（IEEE Transactions on Geoscience and Remote Sensing）上。研究工作得到国家自然科学基金、陕西省自然科学基础研究计划、陕西省重点研发计划等的支持。
SpectralDINO模型框架
不同方法在Pavia University数据集上的分类结果
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
暂无评论...