Mar, 2024

使用深度学习方法自动识别和分割 CRAFTS 中的高连接处信息

PDF
TL;DR介绍了一种基于机器学习的方法用于从三维光谱数据中提取 HI 源，并构建了一个专用的 HI 源数据集。利用 3D-Unet 分割架构，我们的方法可靠地识别和分割 HI 源，达到了 91.6% 的召回率和 95.7% 的准确性水平。这些结果证实了我们定制数据集的价值以及我们提出的网络在识别 HI 源方面的功效。我们的代码公开在该网址上。
发现论文，激发创造
  • 采用 SoFiA、MTObjects 和监督式深度学习技术进行氢发射线谱立方体数据源提取技术比较研究

    本研究旨在寻找最佳管道，用于在 3D 中性氢 21 厘米谱线数据立方体中找到和屏蔽最多的源，磨砂质量最好且假源最少。通过测试 SoFiA 和 MTObjects 这两种传统的源查找方法以及新的监督深度学习方法，发现 SoFiA 与随机森林结合提供了最佳结果，而 V-Net - 随机森林组合紧随其后。

    Nov, 2022

  • 使用 3D 卷积自编码器对高光谱图像进行无监督分割

    本文提出一种全新的无监督式深度学习算法，采用 3D 卷积自编码器与聚类方法相结合的方式，实现高精密度的高光谱图像分割，并作了多方面实验验证。

    Jul, 2019

  • CSAKD: 跨自注意力知识蒸馏用于高光谱和多光谱图像融合

    提出了一种新颖的知识蒸馏框架以实现低分辨率高光谱图像的超分辨率，该框架通过使用交叉层残差聚合模块增强效率，同时从低分辨率高光谱图像和高分辨率多光谱图像中提取联合和独立特征，并采用交叉自注意力融合模块适应性地融合这些特征，以提高重构的高分辨率高光谱图像的空间和光谱质量。

    Jun, 2024

  • HDNet：用于光谱压缩成像的高分辨率双域学习

    本文提出了一个高分辨率双域学习网络（HDNet）用于高光谱图像的重建，该网络采用像素级精细特征和频率级细化来提高感知质量，在模拟和真实数据集中取得了最优结果。

    Mar, 2022

  • 使用 Mask R-CNN 深度学习对天文源进行分离和分类

    本篇研究使用深度学习技术对多波段天文图像中的光源进行检测、分类和去混叠处理，构建一个基于 Mask R-CNN 图像处理框架的人工神经网络，并在星系和星星分类的模拟数据下进行了评估，其精度在 92% 的情况下回收率为 80% 的星星数据和 98% 的情况下回收率为 80% 的星系数据。研究还证明，其去混叠功能极为稳定，可用于 LSST 和 WFIRST 等深度图像调查项目。

    Aug, 2019

  • 基于 U-Net 架构的粉末 X 射线衍射图像分割

    通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

    Oct, 2023

  • 基于深度学习的高光谱图像纠正与分光 技术在脑肿瘤手术中的应用

    应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。

    Feb, 2024

  • 一种用于在天文学中联合提取光谱和源计数分布的深度学习框架

    天文观测通常提供三维地图，编码观测通量在天球的两个角度和能量 / 频率上的分布。我们提出了一个深度学习框架，能够同时重建不同发射成分的光谱和点源群体的源计数分布，实现了从模拟地图中准确提取复杂形状的光谱和源计数分布的目标。

    Jan, 2024

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 一种嵌入通用知识的对比学习框架用于高光谱图像分类

    我们提出了一种通用的知识嵌入对比学习框架（KnowCL），用于监督、无监督和半监督的高光谱图像分类，该框架基于一套新的高光谱图像处理流程，结合了多种数据转换和增强技术，提供了多样化的数据表示和现实数据分区，同时采用了一种新的损失函数，可以自适应地融合有监督损失和无监督损失，提高了学习性能。

    Apr, 2024