基于生成对抗网络和概率图模型的高光谱图像分类

AAAIFeb, 2018

基于生成对抗网络和概率图模型的高光谱图像分类

Generative Adversarial Networks and Probabilistic Graph Models for Hyperspectral Image Classification

Zilong Zhong, Jonathan Li

TL;DR本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

Abstract

High spectral dimensionality and the shortage of annotations make hyperspectral image (HSI) classification a challenging problem. Recent studies suggest that convolutional neural networks can learn discriminative spatial features, which play a paramount role in HSI interpretation. Howe

hyperspectral image classification convolutional neural networks generative adversarial networks probabilistic graphical models conditional random field

发现论文，激发创造

对比图卷积网络用于高光谱图像分类

本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

May, 2022

基于马尔可夫随机场和卷积神经网络的高光谱图像分类

该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

May, 2017

像素到丰度转换：基于 Patch Transformer 的基于条件生成对抗网络的高光谱解混

我们提出了一种基于 Hyperspectral Conditional Generative Adversarial Network 方法的高光谱解混框架，通过生成器和鉴别器的组合，将混合高光谱像素块转换为中心像素对应的成分丰度，并利用 HSI Patch Transformer 这一主要组件捕捉了高光谱像素块内部的像素相关性

Dec, 2023

以物理推动的生成对抗网络赋能单像素红外高光谱成像

通过物理驱动型生成对抗网络（GAN），整合了单像素红外高光谱成像（HSI）的物理过程，并利用真实和估计的一维桶信号作为目标函数的约束条件来更新网络参数并优化生成器，从而实现了更高的成像性能但需要更少的测量次数。我们相信这一物理驱动型 GAN 将促进计算成像，特别是各种基于单像素成像技术的实际应用。

Nov, 2023

基于图神经网络和注意力机制的遥感数据高光谱图像分类方法综述

使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述，同时总结了相关数据集和处理技术的基准评估。

Oct, 2023

基于超光谱成像和图神经网络的稳健肿瘤分割

利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法，采用 Graph Neural Networks 以及 Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

Nov, 2023

一种用于高光谱图像分类的快速三维卷积神经网络

本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

Apr, 2020

使用深度学习技术的单模态和多模态超光谱图像分析

应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

Mar, 2024

级联循环神经网络用于高光谱图像分类

本文提出了一种利用门控循环单元的级联循环神经网络模型，通过消除冗余信息和学习互补信息来探索高光谱图像数据的特定属性，同时考虑到其空间信息，拓展至其光谱 - 空间对应模型，并在两个广泛应用的高光谱图像上进行实验证明了其优越性。

Feb, 2019

DiffSpectralNet：揭示扩散模型在高光谱图像分类中的潜力

提出了一种名为 DiffSpectralNet 的新型网络，通过结合扩散和变换器技术，利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征，并使用监督变换器分类器进行高光谱图像分类，实现了超越现有方法的创新，达到了最先进的性能。

Oct, 2023