稀疏高光谱丰度预测的再生核希尔伯特空间修剪
该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法,使用向量全变差作为正则化项,通过 Split Augmented Lagrangian Shrinkage Algorithm(SALSA)算法实现优化,取得了优于现有算法的效果。
Nov, 2014
从灰度引导图像和空间稀疏光谱线索中重构高光谱图像的上色算法,在低秩空间中上色可以减少计算时间和快门噪声的影响,以提高鲁棒性,并超过以往算法在多种性能指标方面,包括 SSIM、PSNR、GFC 和 EMD,这些结果为克服时间 - 空间 - 波长分辨率权衡提供了一种有希望的途径。
Mar, 2024
本文研究使用平方损失函数解决分离的希尔伯特空间回归问题,探讨了包括岭回归、主成分回归和梯度法等一类谱 / 正则化算法。在假设空间容量和目标函数的一般源条件下,我们证明了已研究算法的最优高概率收敛结果,并考虑了变种范数。因此,我们获得了具有最优速率的几乎确定的收敛结果。我们的结果改进并推广了先前的研究,填补了非可达情况的理论空白。
Jan, 2018
通过数据稀疏化预处理将高光谱图像压缩 2.5 倍,并使用 gOMP 算法进行图像重建,结果表明当像素高度稀疏时,gOMP 算法能够以更高的准确性和更快的收敛速度重建高光谱图像,但与原图相比会降低重建图像的质量。
Jan, 2024
为了高效执行边缘计算设备上的深度学习系统,我们提出了一种新的理论框架来模型压缩并提出了一种称为 “谱剪枝” 的新的修剪方法。我们通过使用协方差矩阵在内部节点上的特征值分布来量化模型的内在维度,并表明压缩能力本质上由此控制。此外,我们提供了压缩模型的尖锐泛化误差界并表征了压缩过程引起的偏差 - 方差平衡问题。我们将我们的方法应用于多个数据集,以验证我们的理论分析并展示所提出的方法的优越性。
Aug, 2018
基于隐式神经表示的多层感知器网络在高光谱图像压缩中充当压缩编码器,通过对每个像素位置进行评估以重建原始图像,并通过采样方法来降低压缩时间,实验证明该方法在低比特率下比 JPEG、JPEG2000 和 PCA-DCT 实现更好的压缩性能,与学习方法如 PCA+JPEG2000、FPCA+JPEG2000、3D DCT、3D DWT+SVR 以及 WSRC 相比,采样方法也获得了更好的速度和性能。
Dec, 2023
本文提出了一种新型预测神经网络 LineRWKV,利用 Transformer 的表示优势和递归神经网络的线性复杂度和递归实现,来压缩航天器上的高光谱图像,并在 HySpecNet-11k 数据集和 PRISMA 图片上进行实验证明了 LineRWKV 是首个在无损和接近无损压缩上优于 CCSDS-123.0-B-2 的深度学习方法,同时具备有望的吞吐量结果。
Mar, 2024
本文研究了利用主成分分析(PCA)和随机主成分分析(R-PCA)结合支持向量机(SVM)和轻量级梯度提升机(LightGBM)对高光谱图像进行分类的方法,实验结果表明,对于 Indian Pines 和 Pavia University 两个数据集,PCA 在 SVM 方面表现优于 R-PCA,但在 LightGBM 方面表现相近,Pavia University 和 Indian Pines 的最高分类准确率分别为 0.9925 和 0.9639。
Mar, 2024
本论文提出了一种基于空间 - 谱选择性状态空间模型的 U 型网络(称为 SSUMamba),用于高光谱图像去噪,能够在状态空间模型计算中实现完全的全局空间 - 谱相关性,通过引入交替扫描策略(SSAS)对多方向 3D 高光谱图像进行信息流建模。实验证明,我们的方法优于其他方法。
May, 2024