Jun, 2023

多源融合合成高光谱数据集的高光谱空间分辨率提升

PDF
TL;DR本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。
synthetic hyperspectral datasetspatial resolutionspectral resolutionmulti-modal fusionspectral-spatial relationships
发现论文，激发创造
  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 考虑季节性光谱变异的高光谱和多光谱图像融合超分辨率

    本文介绍了一种新的 HS-MS 图像融合策略，该策略将不混合基础方法与典型光谱变异的显式参数模型相结合，模拟表明该策略在光谱变异下可以显著提高性能，并表现出最先进的性能。

    Aug, 2018

  • 多源数据增强的光谱图像数据融合

    通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。

    Apr, 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

  • 使用多尺度卷积神经网络从单个 RGB 图像实现准确的光谱超分辨率

    本文提出了一种基于深度卷积神经网络的多尺度图像转换方法，可以从 RGB 观测值中产生高分辨率的高光谱图像。在对中间特征图进行对称下采样和上采样的级联模式下，可以共同编码局部和非局部图像信息以获得更准确的光谱重建精度。

    Jun, 2018

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

    Mar, 2024

  • 基于数据驱动的光谱重建的局限性 -- 一种光学感知分析

    通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。

    Jan, 2024

  • MS/HS 融合网络用于多光谱和高光谱影像融合

    本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

    Jan, 2019

  • 学习的光谱超分辨率

    使用卷积神经网络 (CNN) 的最佳实践完成从 RGB 图像到对应大小的高光谱图像的直接映射，实现了超分辨率的高光谱成像，优于现有技术水平。

    Mar, 2017

  • 基于循环一致性的无监督高光谱和多光谱图像融合

    本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型，通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换，实现了高分辨率高光谱图像的生成，并且在多个数据集上的实验证明该模型优于其他无监督融合方法。

    Jul, 2023