Apr, 2024

基于 LiDAR 引导的交叉注意力融合方法用于高光谱波段选择和图像分类

PDF
TL;DR本文介绍了一种从变压器架构引入的交叉注意机制，用于根据 LiDAR 数据进行高光谱图像 (HSI) 波段的选择。通过将 LiDAR 数据用作 “查询” 以搜索和识别 HSI 中的 “关键”，选择与 LiDAR 最相关的波段，以显著减少冗余和计算要求，旨在提高 HSI 波段的分类准确性和性能。
发现论文，激发创造
  • 融合高光谱与激光雷达注意力的无监督波段选择与自编码器整合

    该研究论文引入了一种创新的无监督波段选择框架，通过注意机制和自编码器实现基于重建的波段选择，将高光谱成像与 LiDAR 数据进行融合，以提高分类准确性和性能。

    Apr, 2024

  • 通过互联融合进行多模式高光谱图像分类

    介绍了一种新的 “互连融合” 框架用于超光谱图像和激光雷达数据的特征融合，包括从多个视角中利用 HIS-LiDAR 信号的上下文信息和内部特征，可以提高分类准确性。

    Apr, 2023

  • 基于图神经网络和注意力机制的遥感数据高光谱图像分类方法综述

    使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述，同时总结了相关数据集和处理技术的基准评估。

    Oct, 2023

  • 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

  • 基于无监督多支路胶囊的高光谱和激光雷达分类

    本文介绍了一种基于语义理解的多分支高维规范胶囊算法，通过对来自两种不同源数据的 HSI 和 LiDAR 数据的特征进行动态融合，实现了光谱 - 空间 - 高度融合特征的无监督提取，实验结果表明，该模型相较于现有模型具有更好的无监督提取多源遥感数据的有效性。

    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

  • 基于 Transformer 的异质显著图表示学习用于高光谱和 LiDAR 数据的多模态融合分类

    通过结合多模态图像，本文提出了一种基于 Transformer 的异质显著图形表示（THSGR）方法，以实现更加细致、准确的地表覆盖解释，并且在多个基准数据集上展示了该方法的性能。

    Nov, 2023

  • 跨不相交样本的超光谱图像分类中的 Transformer 融合

    本文介绍了一种新颖的方法：将 3D Swin Transformer 和 Spatial-spectral Transformer 的注意力机制进行融合，从而显著提高高光谱图像的分类性能。该方法不仅优化了空间和光谱信息的建模，还实现了更精确和准确的分类结果，通过在基准高光谱图像数据集上进行实验和评估，表明了融合方法的有效性，展示了其相对于传统方法和独立变换器的优越性。同时，采用独立的训练、验证和测试样本增强了所提出方法的鲁棒性和可靠性，并突出了其推动高光谱图像分类领域的潜力。

    May, 2024

  • 基于局部到全局的跨模态注意力融合方法用于 HSI-X 语义分割

    本研究提出了一种用于高光谱图像和 X 模态图像分类的 Local-to-Global Cross-modal Attention-aware Fusion (LoGoCAF) 框架，通过像素级的两分支语义分割架构从两种模态中学习信息并进行特征融合和预测，实现了优秀的性能和普适性。

    Jun, 2024

  • MS/HS 融合网络用于多光谱和高光谱影像融合

    本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

    Jan, 2019