报告题目:深度空谱学习与高光谱智能解译
报告人:涂兵
报告时间:2026年5月28日 14：30
报告地点:数理楼314
报告对象:光学工程专业教师及研究生
主办单位:海星体育
报告人简介:涂兵，教授、博士生导师，南京信息工程大学物理与光电工程学院院长。江苏省333工程第二层次人才、湖南省杰青。主持国家自然科学基金重点项目，国家重点研发项目课题，国家自然科学基金面上2项、青年及其他省部级项目10余项，主要研究兴趣智能光谱成像、智能光谱解译，光电探测技术与仪器等。在Information fusion、IEEE TNNLS、IEEE TIP、IEEE TGRS、IEEE TIM等国内外权威期刊发表高水平论文120余篇，其中一作/通信IEEE汇刊50余篇，ESI高被引论文15篇，第一发明人获发明专利37项，参编团体标准1项，获中国发明协会发明创新奖一等奖(排1)、中国商业联合会科技进步奖一等奖(排1)、中国光学工程学会自然科学二等奖(排1)、中国地理信息科技进步奖二等奖(排1)、日内瓦国际发明者银奖(排1)。入选斯坦福前2%全球顶尖学者，担任IEEE GRSM编委、IEEE JSTARS编委、《大气与环境光学学报》青年编委。
报告内容简介:面向高光谱遥感数据高维冗余严重、空谱耦合复杂以及长距离谱间依赖难以建模等问题，本团队围绕深度空谱学习与高光谱智能解译开展研究，系统研究了高光谱分类与多源融合分类中的关键技术。在高光谱分类方面，针对局部空谱特征提取问题，研究基于卷积神经网络的空间—光谱联合建模方法，通过多尺度卷积与特征增强提升地物细节表达能力；针对传统卷积网络全局建模能力不足的问题，引入Transformer架构，利用自注意力机制实现全局空间依赖与跨波段关联建模，增强复杂场景下的语义表达能力；进一步针对高光谱波段序列长、关联复杂的问题，研究基于Mamba与状态空间模型的长序列空谱学习方法，在降低计算复杂度的同时提升长距离谱间关系建模能力。在多源融合分类方面，围绕高光谱、LiDAR等多模态遥感数据协同解译，研究频域特征分解与跨模态频谱增强方法，并结合Mamba长序列建模机制，实现多源信息有效互补与全局关联表达。相关研究在多个公开数据集上取得了良好的分类效果，为高光谱遥感智能解译提供了新的技术支撑。
