基于像素描述符的高分辨率遥感影像异常分割
本文分析了人类视觉感知下的高光谱影像特征,并首次将异常检测 (HAD) 的解决过程转移到了更稳健的特征空间。我们提出了一种小目标感知检测器 (STAD),它引入了显著性图来捕捉更接近人类视觉感知的高光谱影像特征。此外,我们还提出了一种全连接网络到卷积网络的知识蒸馏策略,以适应 HAD 算法应用于边缘设备的可能性。我们在 HAD100 训练集上训练了网络,并在 HAD100 测试集上验证了所提出方法。经过充分的实验证明,我们的方法在真实高光谱影像上表现出卓越的性能和独特的潜力。
Jan, 2024
本文介绍了一种利用增强型 VHR 注意力模块、压缩空间金字塔和全局平均池化等技术的深度学习方法,对于经常出现的类别干扰问题,本文方法能够提供更加稳健的分类性能,可以用于非常高分辨率遥感场景分类任务。实验证明,该方法在两个常用的 VHR 遥感数据集上能够达到很好的分类效果。
May, 2023
最近的研究尝试使用高光谱成像(HSI)来检测产品中的异物,因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法,通过绕过传统的维度缩减方法,实现了更好的解释性和捕捉 HSI 的时间延迟问题,从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明,与特征提取方法相比,特征选择方法在推断阶段显示出 6.90 倍的更快速度,同时保持了异常检测的性能。最终,我们得出结论,特征选择方法具有高效且快速的优势。
Jan, 2024
本研究介绍了一种新的无监督高光谱图像聚类算法,名为 S2DL(基于超像素和空间正则化扩散学习),它通过将高光谱图像中编码的丰富空间信息融入扩散几何聚类中来解决高维、噪声、异常点和需要准确标签的挑战。该方法在图像分割中使用熵率超像素技术将图像划分为超像素,并使用最具代表性的高密度像素构建一个空间正则化扩散图。最高密度像素与其他最高密度像素之间的扩散距离最远,被识别为隐含聚类结构的示例。这些示例指导其余超像素中的代表性像素标记。最后,对每个超像素内分配的标签进行多数投票,将标签传播到整个图像。S2DL 的性能通过对三个公开可用真实世界高光谱图像进行广泛实验验证,即 Indian Pines,Salinas 和 Salinas A。此外,我们使用高分五号高光谱图像将 S2DL 应用于香港米埔自然保护区的大规模无监督红树林物种映射。S2DL 在这些多样化的数值实验中取得了成功,表明其在各种重要的无监督遥感分析任务上具有高效性。
Dec, 2023
该研究提出了一种基于自监督网络的自监督异常先验(SAP),将低秩表示模型中的异常分量优化为了更好地适应高光谱异常,同时提出了一种双纯化策略来从复杂背景中分离异常,并通过实验验证了该方法在各种高光谱数据集上的准确性和可解释性。
Apr, 2024
本文提出了一种新型的基于深度学习的高光谱图像目标检测算法,该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用,使得在现有数据集上可实现更准确和可靠的结果。
Jun, 2023
基于深度学习的高光谱图像超分辨率技术通过深度神经网络融合高光谱图像和多光谱图像,实现了在真实世界场景中的应用,并且提出了一种新的对抗自动数据增强框架 ADASR,它通过对样本对进行优化和增强来丰富数据多样性,有效提高了训练效果。
Oct, 2023
提出了一种新模型 BD-MSA,通过将特征图的全局和局部特征信息集合起来,从而成功地提取变化区域的边界信息并分离变化区域的主体,该模型在公开数据集 DSIFN-CD 和 S2Looking 上的评估效果是最优的。
Jan, 2024