CVPRJun, 2021

近红外地质目标高光谱图像的通用非监督聚类

PDF
TL;DR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。
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

  • 一种受共识约束的简化高斯混合模型用于聚类高光谱图像

    使用共识约束的简约高斯混合模型 (ccPGMM) 方法在高光谱图像中标记像素，并利用模型聚类法改进聚类性能和计算效率。

    Mar, 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

  • 高光谱图像分类进展：基于统计学习方法的地球监测

    该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

    Oct, 2013

  • 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

  • 非参数视角分配预测的高光谱图像半监督学习

    本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

    Jun, 2023

  • 多光谱图像监督分类性能

    本文探讨了遥感图像分类在监督和非监督学习方面的研究，并比较了多种分类方法，其中 Mahalanobis 分类器表现最佳。

    Feb, 2010

  • 基于深度光谱聚类的数据立方体分割

    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

  • 基于堆叠自编码器和聚类的遥感地质绘图框架

    此研究提出了一种利用堆叠自动编码器进行降维和 K 均值聚类来处理遥感数据的无监督机器学习框架，通过使用 Mutawintji 地区的 Landsat-8、ASTER 和 Sentinel-2 数据集进行地质制图的评估，结果显示该框架能够产生准确可解释的地质图，并且堆叠自动编码器相较于其他方法具有更好的准确性，并且生成的地质图与先前的地质知识相符同时提供了新的地质结构见解。

    Apr, 2024

  • PUNCH：基于正负无标记分类的高光谱图像信息检索

    本文提出了一种基于正样本 - 无标签分类 (Positive-Unlabelled classification, PU) 的高光谱图像无需特定物质标注信息的检索框架，并探讨了解决高光谱图像分类问题的两种方法，根据在三个基准高光谱图像数据集上的对比实验，验证了这两种方法并给出了性能评估结果。

    Apr, 2019