Oct, 2023

使用对抗性学习进行高光谱图像分类的深层内在分解

PDF
TL;DR开发了一种名为 AdverDecom 的新型深度内在分解与对抗学习方法，用于遥感图像分类，以减轻环境因素对分类性能的负面影响，并通过生成网络（HyperNet）提取与环境相关的特征和类别相关的特征，以及通过对抗学习的环境和类别联合学习损失来使深度模型学习到判别特征。实验证明了该方法的优越性。
convolutional neural networkshyperspectral image classificationdeep intrinsic decompositionadversarial learningenvironmental factors
发现论文，激发创造
  • 深度混合真实和合成训练用于内在分解

    该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

    Jul, 2018

  • 基于生成对抗网络和概率图模型的高光谱图像分类

    本文介绍了一种使用生成式对抗网络与概率图模型相集成的方法来进行高光谱图像分类，试图提高分类精度并在数据利用率上更有效地使用大量未标注数据，实验结果表明，这种方法在使用少量数据进行训练时，获得了令人鼓舞的分类准确度。

    Feb, 2018

  • 深度高光谱先验：降噪、修复、超分辨率

    本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。

    Feb, 2019

  • HyperDID: 深度特征嵌入的高光谱内在图像分解

    通过引入深度特征嵌入，提出了一种新颖的超光谱内在图像分解方法（HyperDID），该方法结合环境特征模块和分类特征模块来提取超光谱图像的内在特征，并引入特征判别模块来区分与环境和类别相关的特征，实验证实了 HyperDID 在改进超光谱图像分类性能方面的有效性。此方法的实施可以在此 URL 获得，便于复现。

    Nov, 2023

  • 深度本征图像分解的重新审视

    该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

    Jan, 2017

  • 基于敌对网络的 RGB 空间上下文感知光谱图像重建

    本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。

    Sep, 2017

  • 遥感图像无监督深度特征提取分类

    介绍单层和深度卷积网络用于遥感数据分析的应用，使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征，结果表明深度架构比单层架构的分类性能更好。

    Nov, 2015

  • 基于超光谱图像迁移学习的地形分类：一项比较研究

    通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

    Jun, 2022

  • 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

  • 使用反射和 Retinex 模型的基于 CNN 的内在图像分解学习

    该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法，并通过大量实验证明其优于现有方法，最终形成快速、综合高效的本质图像分解方式。

    Dec, 2017