课题组亓林博士的论文 “SSCU-Net: Spatial-Spectral Collaborative Unmixing Network for Hyperspectral Images” 被遥感领域顶级期刊IEEE Transactions on Geoscience and Remote Sensing 录用。

线性高光谱解混是高光谱图像处理和解译中的一项重要技术。近年来，基于深度学习的方法在高光谱解混中显示出巨大的前景。自编码器模型自动学习低维表示（丰度）并用相应的基（端元）重建数据，在高光谱解混中取得了优异的性能。在本文中，我们探讨了基于自编码器的网络中有效利用空间和光谱信息，在此基础上，提出了一个空间光谱协同解混网络：SSCU-Net。该网络以端到端的方式学习空间自动编码器网络和光谱自动编码器网络，能够更有效地提高解混性能。SSCU-Net是一个双流深度网络，其中两个自编码器网络以协作方式进行有效训练，以估计端员和丰度。同时，通过引入超像素分割方法，提出了一种新的空间自动编码网络，极大地促进了空间信息的利用，提高了解混网络的精度。