用于高光谱图像分割的深度全局聚类：概念、应用与开放挑战

高光谱成像（HSI）分析由于数据量巨大，超出可用内存，面临计算瓶颈。虽然在大规模遥感数据集上预训练的基础模型显示出潜力，但它们学到的表示往往无法迁移到特定领域的应用，例如近地农业监测，在这些应用中，光谱特征、空间尺度和语义目标存在根本差异。本报告介绍了深度全局聚类（DGC），这是一个用于内存高效 HSI 分割的概念框架，它无需预训练即可从局部图像块观测中学习全局聚类结构。DGC 在具有重叠区域的小图像块上运行以强制一致性，从而能够在消费级硬件上在 30 分钟内完成训练，同时保持恒定的内存使用量。在一个叶片病害数据集上，DGC 实现了背景-组织分离（平均 IoU 0.925），并通过可导航的语义粒度展示了无监督的病害检测能力。然而，该框架存在源于多目标损失平衡的优化不稳定性：有意义的表示会迅速出现，但由于特征空间中的聚类过度合并而退化。我们将这项工作定位为知识框架——其设计理念具有价值，但稳定的实现需要动态损失平衡的原则性方法。代码和数据可在 https://github.com/b05611038/HSI_global_clustering 获取。