Apr, 2024

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

PDF
TL;DR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。
band selectionhyperspectral imaginglidarunsupervisedfusion models
发现论文，激发创造
  • 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

    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。

    Apr, 2024

  • 基于 HSI 场景的丢失具体自编码器用于波段选择

    基于深度学习的信息波段选择方法在高光谱图像上最近引起了强烈的关注，以消除光谱相关性和冗余。然而，现有的基于深度学习的方法要么需要额外的后处理策略来选择描述性的波段，要么间接优化模型，因为离散变量对于选择过程的参数化能力有限。为了克服这些限制，本研究提出了一种新颖的端到端网络用于信息波段选择。该网络受到具体自动编码器（CAE）和辍学特征排序策略的发展启发。与传统的基于深度学习的方法不同，所提出的网络直接在给定所需波段子集的情况下进行训练，无需进一步的后处理。对四个高光谱场景的实验结果表明，所提出的辍学 CAE 实现了显著且有效的性能水平，优于竞争方法。

    Jan, 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

  • 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

  • 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

  • 嵌入式自适应优化的高光谱波段选择对图像语义分割的影响

    我们提出了一种嵌入式高光谱波段选择方法，不依赖先前处理，通过自适应 Stochastic Gates (STG) 算法进行波段选择，适用于真实时间或资源有限的应用，具有优越的准确性和易用性。

    Jan, 2024

  • 互信息和最陡上升策略的特征选择智能算法

    本文设计了一个基于互信息的算法，与最陡上升算法相结合，以提高对 HSI 分类有用的相关波段的对称不确定性系数策略的特征选择工具和包装器策略，以控制冗余和提高对人工智能的理解和适应。

    Oct, 2022

  • 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

  • 无监督稀疏狄利克雷网络用于高光谱图像超分辨率

    本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

    Apr, 2018