Mar, 2024

一种受共识约束的简化高斯混合模型用于聚类高光谱图像

PDF
TL;DR使用共识约束的简约高斯混合模型 (ccPGMM) 方法在高光谱图像中标记像素，并利用模型聚类法改进聚类性能和计算效率。
hyperspectral imagingfood samplesclassification methodsconsensus-constrained parsimonious gaussian mixture modelclustering
发现论文，激发创造
  • 近红外地质目标高光谱图像的通用非监督聚类

    这篇论文开发了一种全自动的无监督处理工作流程，使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类，该工作流程称为 GyPSUM， 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。

    Jun, 2021

  • 具有语义不变增强的超像素图对比聚类方法在高光谱图像中的应用

    利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

    Mar, 2024

  • 高斯混合模型用于高光谱分离成分中的端元变异表示

    考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布，本文提出使用高斯混合模型表示端元变化，通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系，基于此给出了一种用于估计混合像素分布和端元的方法，并在合成数据和真实数据上验证其效果。

    Sep, 2017

  • 概率深度度量学习用于高光谱图像分类

    本文提出了一种概率深度度量学习（PDML）框架，用于高光谱图像分类，通过将空间信息纳入模型并利用更多信息以差异化像素，该框架可应用于现有方法，并在四个广泛使用的数据集上获得技术优势。

    Nov, 2022

  • 深高斯混合模型用于无监督图像分割

    使用深度学习、高斯混合模型和卷积神经网络方法，本研究提出了一种可以快速预测标签概率的图像分割方法，并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点，通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。

    Apr, 2024

  • 基于高斯混合模型的生成式语义分割模型

    GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型，以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型，即使在开放性的数据集上也表现良好。

    Oct, 2022

  • 利用高斯贝叶斯模型和神经网络对来自 NASA 高光谱卫星图像数据的 GHISACONUS USGS 数据进行作物分类

    本文提供了一种使用标准 LDA、QDA 以及基于贝叶斯方法的分类方法，通过美国地质勘探局卫星搜集的包括五种农作物在内的 7000 个像素光谱数据，进行作物分类识别和生长期预测，其中使用基于贝叶斯的方法可以获得更好的结果，而神经网络的表现则与 LDA 和 QDA 类似。

    Jul, 2022

  • 基于图卷积网络的高光谱图像对比多视角子空间聚类

    通过使用图卷积网络进行对比多视图子空间聚类，该研究提出了一种有效的方法来解决高维复杂光谱结构对高光谱图像聚类的挑战，通过最大限度地利用 HSI 中的空间和纹理特征信息来提高聚类准确性。

    Dec, 2023

  • 像素 - 超像素对比学习与伪标签修正的高光谱图像聚类

    提出了一种像素和超像素对比学习与伪标签校正方法（PSCPC），用于高光谱图像聚类，通过超像素和少量像素的类比学习，合理地捕捉区域特定和细粒度特征，提出了伪标签校正模块来对齐像素和超像素的聚类伪标签，利用像素级聚类结果监督超像素级聚类，提高模型的泛化能力。广泛的实验证明了 PSCPC 的有效性和效率。

    Dec, 2023

  • 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