Feb, 2024

混合 CNN Bi-LSTM 神经网络用于高光谱图像分类

PDF
TL;DR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。
hyper spectral imagesdeep learning methods3-d cnn2-d cnnbi-lstm
发现论文，激发创造
  • 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

  • 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 3D 卷积神经网络的农作物病害缺陷分类技术综述，使用非无人机高光谱图像

    本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

    Jun, 2023

  • 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

  • BASS Net：面向高光谱图像分类的频谱空间特征学习神经网络

    本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

    Dec, 2016

  • 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

  • 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

  • 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

  • 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

  • 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