【课题推荐发表期刊】

【课题背景】

高光谱图像智能解译是一项前沿的跨学科研究，它巧妙地融合了深度学习、计算机视觉以及遥感技术。在传统方法中，面对数百波段的高光谱数据，常常存在效率低下、人工依赖性强等瓶颈问题。而高光谱图像智能解译通过先进的算法和模型，能够高效地处理这些复杂的数据，极大地提升了分析速度和准确性。这一研究在多个领域都展现出了显著的应用价值。在农业领域，它可以用于病虫害的早期预警，帮助农民及时采取措施，减少损失；在工业领域，它能够对污染进行实时监测，为环境保护提供有力支持；在军事领域，它可用于目标识别，增强军事防御能力。

本课题研究将推动光谱-空间特征联合建模、先进网络架构设计等前沿方向的发展，为相关领域的技术进步提供了新的思路和方法，具有广阔的发展前景。

【课题方向参考】

在高光谱图像智能解译方向，重点推进：

• 光谱-空间动态融合（探索高光谱图像中光谱-空间信息联合建模能力）

• 小样本数据增强（利用数据增广技术提升数据样本质量，缓解标注不足所带来的影响）

• 注意力优化机制（在现有通道加权算法基础上，融合物理先验构建光谱敏感型双路注意力）

• 先进模型结合（探索Mamba模型替代传统Transformer的长序列建模能力以及其他先进模型在这一领域的应用）

*每个方向可提供已验证的代码基座与相关代码支撑，确保学生可在1-2个月内实现创新突破。

【适合人群】

不在意学生基础，可以从零辅导，但是希望学生学习态度良好，能及时完成相关任务。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Wang，985高校计算机博士

• 共发表18篇论文，其中SCI一区顶刊论文10篇，包括IEEE Transactions on Neural Networks and Learning Systems（影响因子14.255），IEEE Transactions on Image Processing (TIP)（影响因子11.041），IEEE Transactions on Geoscience and Remote Sensing（影响因子8.125），其中ESI高被引论文7篇（全球同期前1%），热点论文3篇（全球同期前0.1%）；二区重要期刊论文2篇，中文核心1篇，EI论文5篇。谷歌学术引用820余次

• 担任国际权威期刊IEEE Transactions on Image Processing （SCI一区），IEEE Transactions on Neural Networks and Learning Systems（SCI一区），IEEE Transactions on Geoscience and Remote Sensing （SCI一区）和Remote Sensing（SCI二区）等十余种期刊审稿人；

• 辅导研究生和本科生发表SCI论文近10篇；目前有多名学生正在接受辅导。科研入门指导：从基础理论到实验实操，为科研新人提供系统性的入门培训；创新点挖掘：擅长从研究中发现亮点，帮助学生确立独特的创新点；写作辅导：提供从选题、结构到细节修改的论文写作指导，助力高水平论文发表；指导风格耐心细致，充分考虑学生的接受能力和进度

• 可提供开源代码并指导复现；可提供部分开放研究数据；可提供保研指导、申博指导

• 本课题涵盖数据处理、算法开发、模型优化到论文写作的全流程实践，培养学生从理论创新到论文落地的完整科研能力，优秀成果可转化为高水平学术论文或国际竞赛作品
  

【课题安排】

研究周期预估六个月至一年，具体视学员情况调整。

【推荐阅读】

• Semi-Supervised Multiscale Dynamic Graph Convolution Network for Hyperspectral Image Classification

• Hierarchical One-Class Detection for Hyperspectral Image Classification With Background

• Hyperspectral Image Classification Based on Spectral–Spatial Attention Tensor Network