Jul, 2023

ES2Net：高效的光谱 - 空间网络用于高光谱图像变化检测

PDF
TL;DR为了解决选择频段困难和频段之间的复杂非线性关系的问题，本文提出了一种端到端的高效光谱空间变化检测网络（ES2Net），通过引入可学习的频段选择模块和聚类式空间注意机制，能够自动选择适合变化检测的频段并优化特征提取网络，从而提高光谱变化检测的效果。实验证明，该方法相较于其他最先进的方法具有更高的效能和优越性。
hyperspectral image change detectionband selection technologyend-to-end trainingdeep learning-based feature extractorspectral-spatial change detection network
发现论文，激发创造
  • GETNET：一种用于高光谱图像变化检测的通用二维卷积神经网络框架

    利用 2D CNN 框架处理高光谱图像变化检测问题，通过深度学习整合亚像素信息和多源信息，并提出新的 HSI-CD 数据集进行评估，实验结果表明该方法在真实数据集上优于现有算法。

    May, 2019

  • 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

  • HANet: 一种基于双时相高分辨率遥感图像的分层注意力网络用于变化检测

    通过深度学习技术的发展，本文提出了一种基于渐进前景平衡采样策略的深度学习模型来解决变化检测任务中改变和不改变的像素之间不平衡的问题，并设计了一种层次化注意力网络（HANet），以提高检测性能。

    Apr, 2024

  • DiffSpectralNet：揭示扩散模型在高光谱图像分类中的潜力

    提出了一种名为 DiffSpectralNet 的新型网络，通过结合扩散和变换器技术，利用无监督学习和预训练去噪 U-Net 提取高层和低层光谱空间特征，并使用监督变换器分类器进行高光谱图像分类，实现了超越现有方法的创新，达到了最先进的性能。

    Oct, 2023

  • 一种用于高光谱图像分类的快速三维卷积神经网络

    本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

    Apr, 2020

  • 采用空间 - 光谱深度残差卷积神经网络的高光谱图像去噪

    本文提出了一种基于深度学习的方法，通过使用混合空间谱卷积神经网络（HSID-CNN）学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理，并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原，实验结果表明，该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。

    Jun, 2018

  • SpectralDiff: 具有光谱空间扩散模型的高光谱图像分类

    提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法，该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程，从而对样本之间的全局空间 - 光谱关系进行建模，提取的特征可以从重建的训练样本分布中获得更好的分类性能。

    Apr, 2023

  • 光谱空间混合神经网络用于高光谱图像降噪

    提出了一种混合的空间 - 光谱去噪网络 (HSSD)，该网络通过设计一个新颖的 CNN 和 Transformer 特性的混合双路径网络，以高效地捕获本地和非本地空间细节，同时抑制噪声，从而解决了现有 Transformer-based 方法主要关注非本地建模并忽视图像去噪中局部性的问题，并采用简单但有效的分离策略降低了计算复杂性，通过使用参数较少的多层感知机学习光谱之间的全局相关性。综合和实际实验表明，我们提出的方法在空间和光谱重建方面优于最先进的方法。

    Jun, 2024

  • SpectralKAN: 霍尔莫斯彭－阿诺德网络用于高光谱图像变化检测

    使用深度学习方法，我们提出了一种名为 SpectralKAN 的光谱 Kolmogorov-Arnold 网络，用于高光谱图像变化检测（HSIs-CD），通过多变量连续函数及激活函数组合进行特征提取和分类，并成功验证了其在 HSIs-CD 的高准确性和较低的资源需求。

    Jul, 2024

  • 基于统一光谱 - 空间特征聚合的高光谱图像目标检测

    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