Sep, 2020

基于自编码器和原型对比学习的高光谱分类的无监督特征学习

PDF
TL;DR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。
unsupervised learningcontrastive learningautoencoderfeature extractionhyperspectral classification
发现论文，激发创造
  • 使用 3D 卷积自编码器对高光谱图像进行无监督分割

    本文提出一种全新的无监督式深度学习算法，采用 3D 卷积自编码器与聚类方法相结合的方式，实现高精密度的高光谱图像分割，并作了多方面实验验证。

    Jul, 2019

  • 高光谱数据回归的对比学习

    本文提出了一种用于高光谱数据回归任务的对比学习框架，通过提供一系列与高光谱数据增强相关的转换方式，并研究对比学习对回归任务的影响，实验结果表明该框架和转换方式明显提高了回归模型的性能，优于其他最先进的转换方式。

    Feb, 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

  • 一种分层特征重构的自编码器用于无监督异常检测

    无需任何手动注释和先前知识的异常检测和定位是一项具有挑战性的任务，本文提出了一个简单而有效的架构，在异常检测中取得了更准确和鲁棒的定位结果。

    May, 2024

  • 对比预测编码的表示学习

    本研究提出了一种普适的无监督学习方法 Contrastive Predictive Coding，通过使用强大的自回归模型在潜在空间中预测未来来提取高维数据的有用表示，以此学习有用的表示并在语音，图像，文本和三维环境中的强化学习中实现了强大的表现。

    Jul, 2018

  • 自监督对比学习的特征学习过程理解

    本文通过分析其特征学习过程，形式化研究了对比学习如何学习神经网络的特征表征。通过证明使用 ReLU 网络的对比学习可以如果采用适当的增强来稀疏表示，我们提出了一种名为特征解耦的基本原理来解释增强的效果，并在实践中验证了特征解耦原理与对比学习的基本机制相匹配。

    May, 2021

  • 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

    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。

    Apr, 2019

  • 对比变分自编码器增强显著特征

    本文介绍了一种结合对比学习和深度生成模型的对比变分自编码器 (cVAE)，旨在通过训练共享特征和不同特征的模型来发现和增强突出的潜在特征。实验表明，cVAE 可以有效地发现在特定分析中显著的潜在结构。

    Feb, 2019

  • 地理感知的自监督学习

    本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

    Nov, 2020

  • 基于物理约束的自编码器的拉曼光谱高光谱成分分解

    基于自编码神经网络的高光谱解混算法在化学计量学领域中可以更准确、更稳定、更高效地分离复杂混合物质，同时也适用于基于细胞的生物学研究中改进体积拉曼成像数据的生化特征分析。

    Mar, 2024