Jul, 2023

多尺度 U 形 MLP 用于高光谱图像分类

PDF
TL;DR我们提出了一个名为多尺度 U 形多层感知器（MUMLP）的模型，它由设计的多尺度通道（MSC）模块和 U 形多层感知器（UMLP）结构组成，用于解决高光谱图像像素识别中的关键问题。通过详尽的实验验证，我们的模型在三个广泛应用的公开数据集上表现优于现有方法。
hyperspectral imagesmulti-scale u-shape multi-layer perceptronmsc blockumlp structurepublic datasets
发现论文，激发创造
  • 基于超光谱图像迁移学习的地形分类：一项比较研究

    通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

    Jun, 2022

  • 多尺度光谱 - 空间卷积变换器用于高光谱图像分类

    提出了一种多尺度光谱空间卷积 Transformer (MultiscaleFormer) 用于高光谱图像分类，通过多尺度空间补丁和光谱表示来捕捉多尺度光谱空间信息，并通过改进的光谱空间 CAF 模块进行信息融合，取得了优于大部分其他架构的分类性能。

    Oct, 2023

  • 基于 Swin Transformer 和多尺度 MLP 的高效 U 形架构用于医学图像分割的 STM-UNet

    本文提出了一种基于 Swin Transformer 和多尺度 MLP 的高效 U 形架构，即 STM-UNet，用于医学图像分割，旨在有效利用 Transformer 和 MLP 以提高模型性能和全局特征建模能力，设计了一种新型 PCAS-MLP 并将其放置到架构的 “瓶颈” 中，提高了分割性能。实验结果表明，我们提出的方法在 ISIC2016 和 ISIC2018 方面优于其他状态下最先进的方法，同时在高分割准确性和低模型复杂性之间取得了更好的平衡。

    Apr, 2023

  • 多视角变换器：超光谱图像分类中空间信息的重新思考

    通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示，本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性，这些附加信息改善了现有 HSI 数据集上模型的性能，并使其难以正确评估模型的能力。作者引入空间过拟合问题，并利用严格的实验设置来避免该问题。除此之外，论文还提出了一种用于 HSI 分类的多视图变换器，包括多视图主成分分析（MPCA）、光谱编码器 - 解码器（SED）和空间池化标记化变形器（SPTT）。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI，MPCA 能够提取低维视图表示，这些视图表示的组合被称为多视图表示，并作为 MPCA 的输出进行传递。为了聚合多视图信息，论文引入了具有在光谱维度上呈 U 形状的全卷积 SED，用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记，并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行，实验结果表明，所提出的多视图变换器优于现有方法，经过严格设置的三个 HSI 数据集上都取得了优越的性能。

    Oct, 2023

  • 基于 CNN 的迁移学习方法进行农业种植园分类

    本文介绍了利用迁移学习在深度神经网络中对高光谱图像进行分类的方法，实验结果表明，相对于直接使用大数据集进行训练，迁移学习方法可以显著降低训练时间并提高分类准确率。

    Jun, 2022

  • 金字塔分层变压器用于高光谱图像分类

    我们提出了一种基于金字塔形式的分层 Transformer 模型 (PyFormer)，用于提高高光谱图像分类的处理效率和抽象传播能力。实验结果显示，这种方法在提高传统方法的基础上有着更好的优势，并且通过集成不同层级的输出，进一步增强了鲁棒性和可靠性，从而展示了我们的方法在推动高光谱图像分类方面的潜力。

    Apr, 2024

  • 混合 CNN Bi-LSTM 神经网络用于高光谱图像分类

    使用 3D 卷积神经网络、2D 卷积神经网络和双向 LSTM，利用 30％可训练参数，在印度 Pines（IP）、帕维亚（PU）和萨利纳斯（SA）数据集上，这个模型在所有三个数据集上表现更好，分别达到 99.83％、99.98％和 100％的准确率，超越了最先进的深度学习模型。

    Feb, 2024

  • 3DSS-Mamba: 3D-Spectral-Spatial Mamba 用于高光谱图像分类

    提出了一种基于 3D-Spectral-Spatial Mamba 框架的新方法，用于全局光谱 - 空间关系建模及高效的高光谱影像分类，实验结果表明该方法在 HSI 分类任务中优于现有方法。

    May, 2024

  • 使用 3-D 卷积神经网络进行多光谱和高光谱图像融合

    本文提出使用三维卷积神经网络（3-D-CNN）的方法来融合多光谱（MS）和高光谱（HS）图像，以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间，并使方法对噪声更具鲁棒性。实验结果表明，与传统方法相比，所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。

    Jun, 2017

  • BASS Net：面向高光谱图像分类的频谱空间特征学习神经网络

    本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

    Dec, 2016