通过互联融合进行多模式高光谱图像分类
本研究提出了一种用于高光谱图像和 X 模态图像分类的 Local-to-Global Cross-modal Attention-aware Fusion (LoGoCAF) 框架,通过像素级的两分支语义分割架构从两种模态中学习信息并进行特征融合和预测,实现了优秀的性能和普适性。
Jun, 2024
本文介绍了一种从变压器架构引入的交叉注意机制,用于根据 LiDAR 数据进行高光谱图像 (HSI) 波段的选择。通过将 LiDAR 数据用作 “查询” 以搜索和识别 HSI 中的 “关键”,选择与 LiDAR 最相关的波段,以显著减少冗余和计算要求,旨在提高 HSI 波段的分类准确性和性能。
Apr, 2024
通过结合多模态图像,本文提出了一种基于 Transformer 的异质显著图形表示(THSGR)方法,以实现更加细致、准确的地表覆盖解释,并且在多个基准数据集上展示了该方法的性能。
Nov, 2023
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
本文提出了一种名为隐式神经特征融合函数(INF)的 INR(Implicit Neural Representation)型高光谱融合模型,以高频细节辅助输入来解决 MHIF(Multispectral and Hyperspectral Image Fusion)问题并且有效改进了其他 INR 的方法及提高了模型的鲁棒性。
Jul, 2023
本文提出了一种基于模型的深度学习方法,用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像,实验结果证实该方法在视觉和定量上均优于同类方法。
Jan, 2019
该研究论文引入了一种创新的无监督波段选择框架,通过注意机制和自编码器实现基于重建的波段选择,将高光谱成像与 LiDAR 数据进行融合,以提高分类准确性和性能。
Apr, 2024
本文介绍了一种基于语义理解的多分支高维规范胶囊算法,通过对来自两种不同源数据的 HSI 和 LiDAR 数据的特征进行动态融合,实现了光谱 - 空间 - 高度融合特征的无监督提取,实验结果表明,该模型相较于现有模型具有更好的无监督提取多源遥感数据的有效性。
Jun, 2022
本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型,通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换,实现了高分辨率高光谱图像的生成,并且在多个数据集上的实验证明该模型优于其他无监督融合方法。
Jul, 2023
本研究提出了一种基于均质结构和自注意力机制的多模态特征融合和交互方法,通过将相机特征转换为 LiDAR 3D 空间,在避免项目信息丢失的同时增强了在复杂背景下的鉴别能力,在 KITTI 基准中超越了所有已发表的算法。
Oct, 2022