近日，实验室2021级硕士生李铭崧的一篇论文 “Adaptive Mask Sampling and Manifold to Euclidean Subspace Learning with Distance Covariance Representation for Hyperspectral Image Classification”(作者：李铭崧，李伟，刘一锟，黄玉文，杨公平)被IEEE Transactions on Geoscience and Remote Sensing (TGRS) 录用。TGRS遥感领域的顶级期刊，也是人工智能与计算机视觉领域的权威期刊，属于CCF B类，中科院一区TOP期刊，影响因子(IF)2021为8.125。

在高光谱图像分类任务这一地球观测的核心任务中，仍存在一些障碍阻碍着光谱-空间关系的充分探索。一方面，在目前的基于图像块的处理模式中，一些空间邻域像元往往和中心像元在地物类别上存在不一致性。另一方面，不同光谱波段间的线性和非线性相关性是至关重要，但很难表示和挖掘。为了克服以上问题，本文针对性地提出一个自适应采样与流形-欧式子空间学习框架。具体来讲，首先，基于面向中心光谱向量的空间关系，以一种自适应掩码方式设计了一个图像块内像元采样模块来缓解复杂的空间地物不一致性问题。其次，基于距离协方差描述符，提出一个双通道距离协方差表示模块来进行统一的光谱-空间关系的显式建模，特别是光谱域中的线性和非线性相互依赖关系的建模。进一步地，考虑到距离协方差矩阵位于对称正定流形空间，我们设计一个尊重其黎曼几何特性的流形-欧式子空间学习模块来进行高层次的光谱-空间特征学习。此外，我们在该子空间学习模块中引入近似矩阵平方根层来承担高效的欧式子空间投影作用。在三个代表性的高光谱图像数据集上的广泛实验证明了所提出框架可以在极有限的训练集样本上取得优越的模型性能与效率。该工作的代码开源在https://github.com/lms-07/AMS-M2ESL。