Apr, 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

PDF
TL;DR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。
hyperspectral imageclassification techniquesknowledge embedded contrastive learning frameworkhsi processing pipelinenew loss function
发现论文，激发创造
  • 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

  • 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

  • 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

  • 非参数视角分配预测的高光谱图像半监督学习

    本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

    Jun, 2023

  • 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

  • 多层次图子空间对比学习用于高光谱图像聚类

    本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

    Apr, 2024

  • 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

  • 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

  • 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

  • 基于子空间学习的高光谱图像单类分类分析

    本研究提出一种基于子空间学习的单类分类技术，能够对高光谱数据进行有效分类，具有对付高维度和标签不平衡问题的能力。

    Apr, 2023