ICMLOct, 2020

基于集合方法的高光谱波段选择技术在葡萄叶片氮素状态检测中的应用

PDF
TL;DR本研究的目标是使用集成特征选择方法，在来自 150 株葡萄藤的 3,000 多张叶片的高光谱数据中，确定检测葡萄叶片中氮含量的最佳波段，最终确认了紫外、黄橙色和短波红外波段对于远程探测葡萄氮素具有潜在意义，并对应用于其他领域的多光谱传感器设计提出了建议。
hyperspectral dataensemble feature selectionspectral bandsnitrogen detectionmultispectral sensor
发现论文，激发创造
  • 利用无人机高光谱成像分类葡萄品种

    利用卷积神经网络对红白葡萄品种进行分类，通过空间注意力层和 Inception 块进行空间和光谱特征提取，相对于其他卷积神经网络在处理高光谱数据分类时，网络模型更轻量，并且表现出更好的准确性，和以前研究相比，准确率提高到 99％。

    Jan, 2024

  • 利用高光谱成像进行特种作物成熟度分类的双频带特征选择

    草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

    May, 2024

  • 嵌入式自适应优化的高光谱波段选择对图像语义分割的影响

    我们提出了一种嵌入式高光谱波段选择方法，不依赖先前处理，通过自适应 Stochastic Gates (STG) 算法进行波段选择，适用于真实时间或资源有限的应用，具有优越的准确性和易用性。

    Jan, 2024

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 利用高光谱近红外和中红外数据及最优波段检测苹果树病害

    该研究提出了一种现代化的方法，利用近红外和中红外光谱数据分析苹果树病害在不同阶段的识别和区分，提供了一个准确的实时工具来帮助农民更有效地控制并提高苹果产量。

    Apr, 2020

  • 基于 DESI 高光谱数据的植物物种丰富度预测：特征提取过程和回归模型的比较研究

    通过对 DESIS 高光谱数据的提取和回归分析，本文研究了植物物种丰富度在澳大利亚东南部两个不同栖息地中的预测能力。结果表明，红边、红色和蓝色光谱区域更适合预测植物物种丰富度。相比 Sentinel-2 多光谱数据，DESIS 高光谱数据在植物物种丰富度预测上表现更佳，为未来研究探索高光谱数据进行植物生物多样性制图提供了参考。

    Jan, 2023

  • 利用高斯贝叶斯模型和神经网络对来自 NASA 高光谱卫星图像数据的 GHISACONUS USGS 数据进行作物分类

    本文提供了一种使用标准 LDA、QDA 以及基于贝叶斯方法的分类方法，通过美国地质勘探局卫星搜集的包括五种农作物在内的 7000 个像素光谱数据，进行作物分类识别和生长期预测，其中使用基于贝叶斯的方法可以获得更好的结果，而神经网络的表现则与 LDA 和 QDA 类似。

    Jul, 2022

  • 近红外地质目标高光谱图像的通用非监督聚类

    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

  • 农业中的高光谱图像分析深度学习技术综述

    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