Jun, 2018

SuperPCA: 一种超像素 PCA 方法用于高光谱图像的无监督特征提取

PDF
TL;DR本研究提出了一种称为 SuperPCA 的简单但非常有效的超像素 PCA 方法，以学习 HSI 的内在低维特征，通过超像素分割将空间上下文信息纳入无监督的降维，该方法能够提取判别性、紧凑且抗噪声的潜在低维特征，从而改善 HSI 分类性能。
principal component analysishyperspectral imagedimensionality reductionsuperpixelhsi classification
发现论文，激发创造
  • 多视角变换器：超光谱图像分类中空间信息的重新思考

    通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示，本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性，这些附加信息改善了现有 HSI 数据集上模型的性能，并使其难以正确评估模型的能力。作者引入空间过拟合问题，并利用严格的实验设置来避免该问题。除此之外，论文还提出了一种用于 HSI 分类的多视图变换器，包括多视图主成分分析（MPCA）、光谱编码器 - 解码器（SED）和空间池化标记化变形器（SPTT）。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI，MPCA 能够提取低维视图表示，这些视图表示的组合被称为多视图表示，并作为 MPCA 的输出进行传递。为了聚合多视图信息，论文引入了具有在光谱维度上呈 U 形状的全卷积 SED，用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记，并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行，实验结果表明，所提出的多视图变换器优于现有方法，经过严格设置的三个 HSI 数据集上都取得了优越的性能。

    Oct, 2023

  • 基于随机主成分分析的高光谱图像分类

    本文研究了利用主成分分析（PCA）和随机主成分分析（R-PCA）结合支持向量机（SVM）和轻量级梯度提升机（LightGBM）对高光谱图像进行分类的方法，实验结果表明，对于 Indian Pines 和 Pavia University 两个数据集，PCA 在 SVM 方面表现优于 R-PCA，但在 LightGBM 方面表现相近，Pavia University 和 Indian Pines 的最高分类准确率分别为 0.9925 和 0.9639。

    Mar, 2024

  • 基于降维方法的高光谱成像异常检测的经验分析

    最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出 6.90 倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

    Jan, 2024

  • 具有语义不变增强的超像素图对比聚类方法在高光谱图像中的应用

    利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

    Mar, 2024

  • 基于超像素和空间正则化扩散学习的无监督高光谱图像聚类

    本研究介绍了一种新的无监督高光谱图像聚类算法，名为 S2DL（基于超像素和空间正则化扩散学习），它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素，并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远，被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后，对每个超像素内分配的标签进行多数投票，将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证，即 Indian Pines，Salinas 和 Salinas A。此外，我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功，表明其在各种重要的无监督遥感分析任务上具有高效性。

    Dec, 2023

  • 像素 - 超像素对比学习与伪标签修正的高光谱图像聚类

    提出了一种像素和超像素对比学习与伪标签校正方法（PSCPC），用于高光谱图像聚类，通过超像素和少量像素的类比学习，合理地捕捉区域特定和细粒度特征，提出了伪标签校正模块来对齐像素和超像素的聚类伪标签，利用像素级聚类结果监督超像素级聚类，提高模型的泛化能力。广泛的实验证明了 PSCPC 的有效性和效率。

    Dec, 2023

  • 高性能计算设施上对高光谱数据进行主成分分析的实现：结果与比较

    应用 PCA 算法在高性能设备上实现降维以增加高光谱成像算法的效率和性能，并与 FPGA 实现进行比较以揭示各自的优缺点。

    Mar, 2024

  • 主成分分析加速实时处理高光谱图像的检测和识别准确度

    实时高光谱检测中采用主成分分析进行降维可以加速处理时间，并且通过减少主成分数量可以在不显著降低检测率的情况下进一步减少处理时间。

    Nov, 2023

  • 基于图卷积网络的多视角高光谱图像子空间聚类

    该研究提出了一种基于图卷积网络的高光谱图像的多视角子空间聚类方法，利用空间关系分析和表达了高光谱图像的特性，并通过两个图卷积子空间构建了更具区分度的特征图，该模型在三个流行的高光谱图像数据集上具有较高的聚类准确性。

    Mar, 2024

  • 遥感图像无监督深度特征提取分类

    介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

    Nov, 2015