本文综述了基于深度学习的高光谱影像分类方法，比较了光谱特征、空间特征和光谱空间特征网络，验证了多种深度学习算法的有效性，并提出了新的联合学习框架和数据集，推动了高光谱图像的应用与评估。

本文探讨了贝叶斯非参数主题建模在视频数据异常检测中的应用，展示了其在动态环境下的有效性。研究表明，综合检测方法优于简单检测，适用于搜索救援和野生动物观察等领域。此外，提出了新特征选择方法和鲁棒异常检测模型，提升了高光谱影像的异常检测性能。

本文提出了一种基于3D-Spectral-Spatial Mamba框架的新方法用于高光谱影像分类，实验结果表明其优于现有技术。研究中还介绍了SS-Mamba、DualMamba和GMSR-Net等创新模型，这些模型在高光谱图像分类中表现出色，提升了分类准确性和计算效率，为该领域研究开辟了新方向，具有重要的实际应用价值。

本文提出了一种新方法SS-Mamba，基于3D-Spectral-Spatial Mamba框架，用于高光谱影像分类。实验结果表明，该方法在分类效果上优于现有技术。SS-Mamba通过光谱-空间令牌生成模块和多个堆叠的Mamba块实现信息融合。此外，FusionMamba和HSIMamba等创新方法在高光谱图像处理中的表现也非常出色，尤其是在计算资源有限的情况下，重新定义了分类的效率和准确性标准。

本文综述了基于深度学习的高光谱影像分类方法，比较了光谱特征、空间特征和光谱空间特征网络，提出了多种监督、非监督和半监督算法，并验证了其在高光谱数据集上的优越性能，解决了高维度和样本不足的问题。

本文提出了一种高光谱影像超分辨率方法，通过结合高分辨率多光谱图像与低分辨率超光谱影像，优化迭代生成超分辨率图像。实验结果表明，该方法在超分辨率领域优于现有技术，具有显著的视觉和定量效果。

本文提出了一种小目标感知检测器(STAD)，通过引入显著性图和知识蒸馏策略，捕捉高光谱影像的人类视觉感知特征，并适应边缘设备应用。实验证明该方法在真实高光谱影像上表现出卓越性能和潜力。