Aug, 2023

高光谱图像处理与机器学习：综述及 HySUPP Python 包

PDF
TL;DR该研究提供了先进和传统的混合解析方法的概述，并从三个类别进行了关键比较。同时，实验结果显示了不同混合解析场景下不同解析类别的优势，并提供了一个基于 Python 的开源软件包以重现结果。
spectral pixelsendmembersunmixinglinear unmixingmachine learning
发现论文，激发创造
  • 高光谱分解概述：基于几何、统计和稀疏回归方法

    本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间，几何，统计，稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。

    Feb, 2012

  • 深度非线性高光谱解混合的多任务学习

    基于深度学习的无监督非线性高光谱解混合方法通过结合通用非线性模型而不做特定假设，引入两个分支，一方面通过重构高光谱图像的行来学习端元，另一方面通过对应图像的列来学习丰度值，并利用多任务学习来强制两个分支协同工作，从而提高解混合网络的性能，通过对合成和实际数据的广泛实验验证了该方法的有效性并与一些最先进的高光谱解混合方法进行了比较。

    Feb, 2024

  • 学习可解释的深度卷积神经网络用于高光谱成分解混

    本文提出了一种新的可解释的深度学习方法，用于处理高光谱混合问题，该方法考虑了非线性和端元变异性，并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离，通过使用两个流的神经网络以及多个组成元素的附加分段线性 / 非线性组件来提供高度的可解释性，并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。

    Oct, 2023

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018

  • 利用基于物理的色散模型的可微编程进行高光谱分离

    本文将基于物理原理的方法与深度学习相结合，借助分散模型工具将光谱变异性考虑到算法中，并将测量数据分解为纯物质组成的混合物，使用卷积神经网络对分散模型参数进行反渲染预测以提高精度和速度，在可见到近红外和红外两个数据集上取得了最先进的结果。

    Jul, 2020

  • 一个用于混合物解混的多传感器高光谱基准数据集

    本研究生成实验室地面真实数据集，用于验证非线性解混和物质组成估计的高级方法，包括研究光谱变异性和训练监督解混方法。

    Aug, 2023

  • 基于深度学习的高光谱图像纠正与分光 技术在脑肿瘤手术中的应用

    应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

    Feb, 2024

  • 利用 MODIS 多光谱时间序列和辅助数据进行盲解混淆土地利用 / 覆盖类型的深度学习

    通过深度学习模型，结合光谱 - 时间序列数据和地理 - 地形和气候信息，提高多光谱遥感数据中土地利用和土地覆盖类型的成分估计，该研究还提供了一个新的标记数据集和代码。

    Oct, 2023

  • 广义多尺度捆绑式高光谱稀疏解混算法

    通过将多尺度空间正则化方法推广到无混合问题中，通过融合组稀疏诱导混合范数，提出了一种噪声鲁棒的方法，能够在合理的计算成本下利用束结构处理端元变异，并确保丰度估计的类内和类间稀疏性。同时，我们还提出了一种通用的启发式方法，通过多次运行混合过程选择得到最具代表性的丰度估计，从而获得具有鲁棒性和高可复现性的解决方案。实验结果表明，在与相关方法比较时，所得结果的鲁棒性和一致性。

    Jan, 2024

  • 高光谱影像的非线性解混模型与算法

    本文综述了非线性解混模型在高光谱遥感图像中的应用和发展。

    Apr, 2013