Nov, 2023

HyperDID: 深度特征嵌入的高光谱内在图像分解

PDF
TL;DR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。
hyperspectral intrinsic image decompositiondeep feature embeddingclassificationenvironmental feature modulecategorical feature module
发现论文，激发创造
  • 使用对抗性学习进行高光谱图像分类的深层内在分解

    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。

    Oct, 2023

  • 优化跨数据集深度伪造检测的深度信息分解

    我们提出了一种深度信息分解（DID）框架，旨在通过优化深度信息以实现对真实 / 伪造的区分来解决深假技术跨数据集检测中面临的挑战，并改善该框架对各种无关信息变化的鲁棒性和检测未见伪造技术的泛化能力。与现有方法进行广泛的实验对比验证了 DID 框架在跨数据集深假检测方面的有效性和优越性。

    Sep, 2023

  • 基于低秩约束的多光谱图像内在分解

    本文提出了一种低秩多光谱图像固有分解模型（LRIID），可从单个多光谱图像中分解阴影和反射率。该方法基于 Retinex 模型，提出了低秩约束来减少问题的不适定性并使算法可解，并通过实验证明了其有效性。

    Feb, 2018

  • 基于统一光谱 - 空间特征聚合的高光谱图像目标检测

    本文提出了一种新型的基于深度学习的高光谱图像目标检测算法，该算法通过充分利用高光谱图像中的光谱和空间信息的相互作用，使得在现有数据集上可实现更准确和可靠的结果。

    Jun, 2023

  • 多光谱与高光谱图像融合的隐式神经特征融合函数

    本文提出了一种名为隐式神经特征融合函数（INF）的 INR（Implicit Neural Representation）型高光谱融合模型，以高频细节辅助输入来解决 MHIF（Multispectral and Hyperspectral Image Fusion）问题并且有效改进了其他 INR 的方法及提高了模型的鲁棒性。

    Jul, 2023

  • 学习分离特征表达式进行混合失真图像修复

    本文提出了一种基于分解特征学习的混合扭曲图像恢复方法，即利用特征分离及特征聚合模块，实现了不同混合扭曲的特征级分而治之，并在实验证实了该方法的有效性。

    Jul, 2020

  • 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

  • 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

  • Hi-CMD: 可见光 - 红外分层交叉特征解耦用于人体重识别

    本篇论文提出了一种基于 Hierarchical Cross-Modality Disentanglement 的方法，该方法使用 ID-discriminative factors 用于跨模式匹配，并使用 ID-preserving person image generation network 和 hierarchical feature learning module 生成一个新的跨模态图像来学习可见 - 红外图像的共同 ID 判别特征。

    Dec, 2019

  • 当高光谱图像分类遇见扩散模型：一种无监督特征学习框架

    本文提出了一种基于扩散模型的非监督超光谱图像 (HSI) 特征学习框架 Diff-HSI，其可以利用时间步长性质捕捉更丰富的特征，设计了一个时间步骤的特征库和动态特征融合模块，最后实现了 HSI 分类。在三个公共 HSI 数据集上进行的广泛实验证明，Diff-HSI 优于各种现有的监督和非监督 HSI 分类方法。

    Jun, 2023