级联循环神经网络用于高光谱图像分类
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。
Feb, 2018
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
使用 3D 卷积神经网络、2D 卷积神经网络和双向 LSTM,利用 30%可训练参数,在印度 Pines(IP)、帕维亚(PU)和萨利纳斯(SA)数据集上,这个模型在所有三个数据集上表现更好,分别达到 99.83%、99.98%和 100%的准确率,超越了最先进的深度学习模型。
Feb, 2024
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
我们提出了一种基于 3D 卷积引导的光谱 - 空间 Transformer(3D-ConvSST)的高光谱图像分类方法,该方法利用 3D 卷积引导的残差模块(CGRM)在编码器之间来 “融合” 局部空间和光谱信息以增强特征传递,并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验,证明了所提出模型相比传统的、卷积和 Transformer 模型的优越性。
Apr, 2024
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
该论文介绍了一个用于高光谱图像去噪的空间 - 光谱循环变换 U-Net (SSRT-UNet)。该方法利用全局光谱相关性和非局部空间自相似性的领域知识,通过整合这两种知识成分,并在一个 SSRT 块中对其进行处理,实现了 NSS 和 GSC 的联合利用,从而在高光谱图像去噪方面取得了优于其他方法的效果。
Dec, 2023