针对高光谱图像分类中由微小光谱变化引起分类误差和地物分布不均的挑战，北京理工大学光电学院许廷发教授科研团队开展了双阶段光谱超像素人工智能分类方法研究，取得了突破性进展。该研究成果以题为“Dual-stage Hyperspectral Image Classification Model with Spectral Supertoken”的论文形式发表在国际计算机视觉顶级学术会议《European Conference on Computer Vision （ECCV）》上，ECCV的全称是European Conference on Computer Vision（欧洲计算机视觉国际会议），两年一次，是计算机视觉三大会议之一。论文第一作者为北京理工大学刘沛甫博士生，通讯作者为许廷发教授和李佳男特别副研究员。
高光谱图像分类是一项将预定义类别分配给遥感场景高光谱图像中每个像素的任务，由于忽略了光谱相似像素之间的相关性，导致边缘定义不准确，难以管理相邻区域中的微小光谱变化。为此，科研团队提出了一种创新性的双阶段光谱超像素分类网络（DSTC）架构，具体如图1所示。引入了受超像素概念启发的新型双级光谱Supertoken分类器 (DSTC)。主要采用基于光谱导数的像素聚类，将具有相似光谱特征的像素分组为光谱超级标记。通过将标记的分类投影到图像空间上，获得了像素级结果，保持了区域分类一致性和精确边界。此外，根据标记内的多样性，构建了一种基于类比例的软标签。该标签根据不同类别的普遍性自适应地为其分配权重，有效应对地物分布不均的问题，增强了分类算法的精度。
该方法在大规模WHU-OHS数据集上的分类精度超越了性能最佳的检测器，图2是在WHU-OHS数据集上的部分实验结果。
该方法确保了连续区域分类结果的一致性，解决了微小光谱变化导致分类错误以及地物分布不均难题，实现了精度与计算效率之间的平衡，为高光谱图像地物种类分类的研究奠定了理论支撑。
