Apr, 2019

主动迁移学习网络：一种面向高光谱图像分类的统一深度联合谱空间特征学习模型

PDF
TL;DR提出了一种利用少量标注数据的主动迁移学习和深度神经网络的方法去对高光谱图像进行分类，其主要方法是通过分层堆叠稀疏自编码网络进行深度光谱空间特征提取，并借助主动学习策略从源域和目标域中筛选所需有限的标注样本进行有监督微调，对比实验表明该方法较传统和深度网络方法更具优势。
deep learninghyperspectral imagesclassificationtransfer learningactive learning
发现论文，激发创造
  • 高光谱图像分类中的主动深度学习

    本文提出了一种基于加权递增字典学习的主动学习算法，该算法选择能够最大化代表性和不确定性两个选择标准的训练样本，通过在每次迭代中主动选择训练样本来高效地训练深度网络，然后将所提出的算法应用于高光谱图像的分类，并与其他应用主动学习的分类算法进行比较，结果表明所提出的算法在分类高光谱图像时既高效又有效。

    Nov, 2016

  • BASS Net：面向高光谱图像分类的频谱空间特征学习神经网络

    本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

    Dec, 2016

  • 高光谱图像分类的主动多核域自适应

    本文提出了一个新的基于领域适应和主动学习的超光谱图像分类框架，通过利用源域中可用的标记样本重新训练多核分类器，并添加少量的目标域中的最具信息量的样本，逐步扩大训练集，适应性地组合多个内核，形成最小化源域和目标域之间偏差的 DA 分类器。使用 Margin Sampling 策略在 HSI 分类任务中对主动适应框架进行研究。实验结果表明其有效性。

    Apr, 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

  • 基于超光谱图像迁移学习的地形分类：一项比较研究

    通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

    Jun, 2022

  • 基于 CNN 的迁移学习方法进行农业种植园分类

    本文介绍了利用迁移学习在深度神经网络中对高光谱图像进行分类的方法，实验结果表明，相对于直接使用大数据集进行训练，迁移学习方法可以显著降低训练时间并提高分类准确率。

    Jun, 2022

  • 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

  • SSF-Net：具有谱角感知的空间光谱融合网络用于高光谱目标跟踪

    提出了一种具有光谱角度感知的空间 - 光谱融合神经网络（SST-Net），用于高光谱目标跟踪。

    Mar, 2024

  • ES2Net：高效的光谱 - 空间网络用于高光谱图像变化检测

    为了解决选择频段困难和频段之间的复杂非线性关系的问题，本文提出了一种端到端的高效光谱空间变化检测网络（ES2Net），通过引入可学习的频段选择模块和聚类式空间注意机制，能够自动选择适合变化检测的频段并优化特征提取网络，从而提高光谱变化检测的效果。实验证明，该方法相较于其他最先进的方法具有更高的效能和优越性。

    Jul, 2023

  • 光谱空间混合神经网络用于高光谱图像降噪

    提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

    Jun, 2024