AI 赋能的卫星边缘计算：面向高光谱成像的基于单像素特征的浅层分类模型
计算机视觉与模式识别
2026-01-27 v1
摘要
作为对地观测系统的重要组成部分，高光谱成像卫星凭借强大的光谱测量能力，为相关政策的制定提供了高保真且丰富的信息。然而，卫星下行链路的传输速度已成为灾害监测和应急测绘等需要快速响应能力的应用中的主要瓶颈。我们提出了一种高效的 AI 赋能卫星边缘计算范式用于高光谱图像分类，使卫星能够实现自主决策。为适应卫星平台的资源限制，该方法采用了轻量级的非深度学习框架，并结合了少样本学习策略。此外，星上处理可能面临传感器故障和扫描模式误差，导致图像质量下降，出现坏点/错位像素及混合噪声。为应对这些挑战，我们开发了一种新颖的两阶段像素级标签传播方案，该方案仅利用单像素级别的内在光谱特征，而无需像深度神经网络那样考虑空间结构信息。在第一阶段，通过将所选锚点标签经由构建的锚点-像素亲和力矩阵进行传播，获得初始像素标签。随后，通过直接计算像素级相似度生成 top-k 剪枝稀疏图。在第二阶段，采用从稀疏图导出的闭式解来替代迭代计算。此外，我们开发了一种基于秩约束的图聚类算法来确定锚点标签。
引用
@article{arxiv.2601.18560,
title = {AI-enabled Satellite Edge Computing: A Single-Pixel Feature based Shallow Classification Model for Hyperspectral Imaging},
author = {Li Fang and Tianyu Li and Yanghong Lin and Shudong Zhou and Wei Yao},
journal= {arXiv preprint arXiv:2601.18560},
year = {2026}
}