Sep, 2023

高光谱基准：通过全面数据集和预训练填补 HSI 应用之间的差距

PDF
TL;DR通过引入包含不同应用领域（食品检查、遥感和回收）的创新基准数据集，本研究解决了目标数据集规模有限的限制，从而促进了高光谱图像模型能力的全面评估，并提供了最先进技术的深入研究和更加稳定的训练流程。
hyperspectral imagingbenchmark datasetapplicationsstate-of-the-art techniquespretraining pipeline
发现论文，激发创造
  • 高光谱图像分类的深度学习：综述

    本文综述了基于深度学习的高光谱影像分类方法，并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分，最后，基于实际高光谱数据验证了几种典型的深度学习分类算法。

    Oct, 2019

  • 自监督高光谱图像修复的等变成像

    基于自监督学习的新型高光谱成像算法（Hyper-EI）用于修复不完整或损坏的高光谱图像，实验结果显示该算法相较现有方法具有最先进的修复性能。

    Apr, 2024

  • 通过单向调节进行高光谱图像分类的传感器连接

    通过提出单向调整（SDT）策略，我们解决了视觉 Transformer (ViT) 模型在高光谱成像 (HSI) 分类中训练样本数量有限的矛盾；此外，我们引入了一种新的 Tri-Former，并进行了比较实验证明其在多个 HSI 数据集上表现优于其它同类方法。

    Sep, 2023

  • 一种嵌入通用知识的对比学习框架用于高光谱图像分类

    我们提出了一种通用的知识嵌入对比学习框架（KnowCL），用于监督、无监督和半监督的高光谱图像分类，该框架基于一套新的高光谱图像处理流程，结合了多种数据转换和增强技术，提供了多样化的数据表示和现实数据分区，同时采用了一种新的损失函数，可以自适应地融合有监督损失和无监督损失，提高了学习性能。

    Apr, 2024

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 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

  • 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

  • 高通量塑料特性的系统降维超光谱图像

    为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

    Aug, 2023

  • 农业中的高光谱图像分析深度学习技术综述

    本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

    Apr, 2023

  • 高光谱临床应用的空间光谱分类器的并行实现评估

    本文通过比较五种不同高性能计算平台在处理空间 - 光谱方法分类高光谱图像时所提供的性能，评估其主要优势和缺点，研究了两种不同性能需求的医学应用：神经外科手术中的高光谱图像和皮肤病学介入中的高光谱图像，其中包括处理时间和能源效率两个主要考虑因素。

    Mar, 2024