使用 3D 卷积自编码器对高光谱图像进行无监督分割
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
这篇论文开发了一种全自动的无监督处理工作流程,使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类,该工作流程称为 GyPSUM, 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。
Jun, 2021
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
本文研究了在农业领域中,利用深度学习方法如 Autoencoders、卷积神经网络(1D,2D 和 3D)、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集(包括 Indian Pines,Salinas Valley 和 Pavia University)上的成果来解决高光谱成像 (HSI) 分类的过程中,克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。
Apr, 2023
本文提出了一种结合对比度学习和自编码器的无监督特征学习方法,称为 prototypical contrastive learning,用于高光谱分类,该方法通过两个自编码器网络和对比学习网络的优化来提高表征能力,取得了比其他对比方法和某些监督方法更好的性能表现,并在保持性能的同时提高了特征提取速度并减少了计算资源需求,为无监督对比学习的研究提供了方便。
Sep, 2020
扩展视觉技术在物理学中非常普遍,然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题,我们探索了在编码空间中应用无监督聚类方法的可能性,通过数据立方体像素的光谱属性进行深层聚类,该过程由经过训练的变分自动编码器进行统计降维,同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例:一组关于绘画艺术品的宏观映射 X 射线荧光(MA-XRF)合成数据和模拟天体观测的数据集。
Jan, 2024
通过深度学习从 RGB 图像重建高光谱图像,可用于预测甘薯中的可溶性固形物含量,结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型,突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。
May, 2024
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
本文综述了基于深度学习的高光谱影像分类方法,并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分,最后,基于实际高光谱数据验证了几种典型的深度学习分类算法。
Oct, 2019