May, 2023

一次性神经带选择用于频谱恢复

PDF
TL;DR本文提出一种新颖的 spectral recovery 方法 Neural Band Selection (NBS)， 使用基于连续松弛的带选择过程，采用梯度下降进行高效的搜素，并利用基于带相关矩阵的逐步抑制方法，使其适用于选择任意数量的带。NTIRE 2022 Spectral Reconstruction Challenge 的广泛评估表明，我们的 NBS 在四种不同的光谱恢复方法中均取得了一致的性能提升。
spectral recoveryband selectionneural band selectioncontinuous relaxationgradient descent
发现论文，激发创造
  • BSS-Bench: 迈向可重现和有效的波段选择搜索

    通过选择具有代表性的少量波段从数百个波段中提取关键信息是克服高光谱成像的缺点（昂贵、捕获延迟和低空间分辨率）并使其广泛适用的关键技术。本研究提出了首个带选择搜索基准（BSS-Bench），该基准包含 52k 个训练和评估记录，用于各种高光谱分析任务的多个波段组合，旨在使带选择方法易于重现和比较。通过 BSS-Bench，可以轻松重现带选择实验，并衡量搜索结果与最佳性能之间的差距。此外，本研究还提出了一种高效的单次训练的带选择方法（SCOS），通过一次训练学习任何波段组合的优先级，消除了不同波段组合的重复重新训练的需求。经过广泛评估，证明了 SCOS 在多个任务上优于当前带选择方法，即使使用较少的波段。

    Dec, 2023

  • 通过隐式神经表示从 RGB 图像实现连续光谱重建

    本文介绍了 Neural Spectral Reconstruction (NeSR) 方法来提高光谱重建的连续性。通过引入一种新的连续光谱表示，我们利用神经网络实现了参数化拟合。经过实验验证，NeSR 方法在重建准确性方面表现出明显优势，同时也可以支持任意数量的光谱重建。

    Dec, 2021

  • 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

  • 多教师多目标元学习在零样本高光谱波段选择中的应用

    多老师多目标元学习网络 (M3BS) 是一种新颖的用于零样本高光谱波段选择的方法，通过构建通用的图卷积网络 (GCN) 生成数据集无关的基础，从多个波段选择任务中提取兼容的元知识，通过多目标元学习实现与多老师波段选择任务的联合优化，无需重新训练或微调即可直接转移给未知数据集。该方法在零样本高光谱波段选择中与当前最先进的基准方法表现出有效性和效率。

    Jun, 2024

  • K 波段：基于 K 空间子集的随机梯度下降的自监督 MRI 重建

    通过在有限分辨率数据上进行自监督训练来提供实验保证，并且在解决磁共振成像问题中达到了现有方法的性能水平。

    Aug, 2023

  • 基于贝叶斯抽样的神经集合搜索

    本文介绍一种名为 NESBS 的新型神经集成搜索算法，可从 NAS 搜索空间中有效且高效地选择表现优秀的神经网络集成，具有在实践中优于 NAS 算法的性能表现，而且与同类算法相比成本相当。

    Sep, 2021

  • 无线网络深度学习预测带宽切换

    本文提出了一种基于在线学习和机器学习的频段切换方案，利用 UE 位置信息和不同频段射线数据集来实现无需测量间隙的频段切换，达到约 30% 提高的速率和低于 0.5% 的误差率。

    Oct, 2019

  • 模拟引导的神经组合优化梁搜索

    通过引入模拟指导波束搜索（SGBS）和有效主动搜索（EAS）的组合，提高了神经组合优化的搜索效率。

    Jul, 2022

  • 基于强盗驱动的批次选择以应对标签噪声下的鲁棒学习

    我们引入了一种新颖的方法来选择随机梯度下降（SGD）训练中的批量，利用组合赌博算法。我们的方法主要关注在现实世界数据集中普遍存在的标签噪声的学习过程优化。对 CIFAR-10 数据集的实验评估表明，我们的方法在各种标签污染程度下始终优于现有方法。重要的是，我们在不引入常见辅助神经网络模型的计算开销的情况下实现了这种卓越性能。这项工作在计算效率和模型功效之间达到了平衡，为复杂机器学习应用提供了可扩展的解决方案。

    Oct, 2023

  • 基于 HSI 场景的丢失具体自编码器用于波段选择

    基于深度学习的信息波段选择方法在高光谱图像上最近引起了强烈的关注，以消除光谱相关性和冗余。然而，现有的基于深度学习的方法要么需要额外的后处理策略来选择描述性的波段，要么间接优化模型，因为离散变量对于选择过程的参数化能力有限。为了克服这些限制，本研究提出了一种新颖的端到端网络用于信息波段选择。该网络受到具体自动编码器（CAE）和辍学特征排序策略的发展启发。与传统的基于深度学习的方法不同，所提出的网络直接在给定所需波段子集的情况下进行训练，无需进一步的后处理。对四个高光谱场景的实验结果表明，所提出的辍学 CAE 实现了显著且有效的性能水平，优于竞争方法。

    Jan, 2024