Nov, 2023

基于注意力的双分支复杂特征融合网络用于高光谱图像分类

PDF
TL;DR本研究提出了一种新颖的双分支模型用于高光谱图像分类，将两个流合并起来：一个用于使用实值神经网络（RVNN）处理标准高光谱补丁，另一个用于使用复值神经网络（CVNN）处理其相应的傅里叶变换。该模型在 Pavia University 和 Salinas 数据集上进行了评估。结果表明，该模型在整体准确性、平均准确性和 Kappa 值方面优于现有方法。通过在第二个流中引入傅里叶变换，该模型能够提取频率信息，补充第一个流提取的空间信息。这两个流的结合改善了模型的整体性能。此外，为了增强模型性能，采用了挤压与激励（SE）机制。实验证据表明，SE 块将模型的整体准确性提高了近 1%。
dual-branch modelhyperspectral image classificationreal-valued neural networkcomplex-valued neural networksqueeze and excitation mechanism
发现论文，激发创造
  • 混合 CNN Bi-LSTM 神经网络用于高光谱图像分类

    使用 3D 卷积神经网络、2D 卷积神经网络和双向 LSTM，利用 30％可训练参数，在印度 Pines（IP）、帕维亚（PU）和萨利纳斯（SA）数据集上，这个模型在所有三个数据集上表现更好，分别达到 99.83％、99.98％和 100％的准确率，超越了最先进的深度学习模型。

    Feb, 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

  • 基于傅里叶增强的隐式神经融合网络用于多光谱与高光谱图像融合

    该论文介绍了一种特定设计用于多光谱和高光谱图像融合任务的傅里叶增强的隐式神经融合网络，通过创新地提出了一种空间和频率隐式融合函数（Spa-Fre IFF）来捕捉高频信息并扩展感受野，并发明了一种新的解码器，使用复数 Gabor 小波激活函数，称为空间频率交互解码器（SFID），以增强隐式神经表示特征的交互作用。在两个基准多光谱和高光谱图像融合数据集上的实验证明了该方法在视觉上和定量上的最先进表现，同时消融研究证明了所提出的贡献。

    Apr, 2024

  • 低光遥感图像增强的空域频率二重域特征融合网络

    提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN)，通过将振幅信息与相位信息分别学习来实现低光增强任务，同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据，通过广泛的评估，证明该方法优于现有最先进方法。

    Apr, 2024

  • 遥感图像超分辨率的高级特征提取模块

    提出了一种名为 Channel and Spatial Attention Feature Extraction (CSA-FE) 的高级特征提取模块，通过使用通道和空间注意力结合标准视觉变换器 (ViT)，有效提取特征；在 UCMerced 数据集上进行了训练，实验证明我们的方法可以使模型专注于包含高频信息的特定通道和空间位置，从而提高超分辨率图像的质量，并且相较于现有模型，我们的模型表现出更优秀的性能。

    May, 2024

  • 一种用于高光谱图像分类的快速三维卷积神经网络

    本论文提出了一种利用 3D CNN 模型用于 HSI 分类的方法，其利用了空间光谱特征图以实现良好的性能，并对其性能进行了实验验证。

    Apr, 2020

  • 级联循环神经网络用于高光谱图像分类

    本文提出了一种利用门控循环单元的级联循环神经网络模型，通过消除冗余信息和学习互补信息来探索高光谱图像数据的特定属性，同时考虑到其空间信息，拓展至其光谱 - 空间对应模型，并在两个广泛应用的高光谱图像上进行实验证明了其优越性。

    Feb, 2019

  • CMTNet: 运用卷积与变换器网络进行高光谱图像分类

    该研究介绍了一种新型模型 Convolutional Meet Transformer Network (CMTNet)，它结合了卷积神经网络和 Transformer，在高光谱作物分类中表现出优越性能，通过光谱和空间特征提取模块、双分支结构、多输出约束模块等实现了全局和局部特征提取以及多输出损失计算与交叉约束，显著优于其他现有网络。

    Jun, 2024

  • SSF-Net：具有谱角感知的空间光谱融合网络用于高光谱目标跟踪

    提出了一种具有光谱角度感知的空间 - 光谱融合神经网络（SST-Net），用于高光谱目标跟踪。

    Mar, 2024

  • 基于马尔可夫随机场和卷积神经网络的高光谱图像分类

    该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

    May, 2017