融合散射变换特征的皮肤高光谱重建
通过深度学习从 RGB 图像重建高光谱图像,可用于预测甘薯中的可溶性固形物含量,结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型,突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。
May, 2024
利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法,采用 Graph Neural Networks 以及 Convolutional Neural Network,通过对局部图像特征和空间上下文信息的建模,实现在肿瘤和健康组织之间进行准确分割的目标。
Nov, 2023
本文提出使用三维卷积神经网络(3-D-CNN)的方法来融合多光谱(MS)和高光谱(HS)图像,以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间,并使方法对噪声更具鲁棒性。实验结果表明,与传统方法相比,所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。
Jun, 2017
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
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
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
提出了一种基于光谱 - 空间扩散模型的高光谱图像分类方法,该方法可以实现对训练样本的光谱和空间分布的前向和反向扩散过程,从而对样本之间的全局空间 - 光谱关系进行建模,提取的特征可以从重建的训练样本分布中获得更好的分类性能。
Apr, 2023