为了提高高光谱成像数据的质量和分析效率,我们应用凸包方法选择关键像素和波长,以去除无用和冗余信息,从而减小计算压力并有效地消除高度混合的像素,从而提供基于证据的分拣决策,进而实现高效的废物管理。
Aug, 2023
该研究提供了先进和传统的混合解析方法的概述,并从三个类别进行了关键比较。同时,实验结果显示了不同混合解析场景下不同解析类别的优势,并提供了一个基于 Python 的开源软件包以重现结果。
本论文介绍了从 Keshava 和 Mustard 的分离教程 [1] 到现在的分离方法的概述。混合模型首先被讨论。描述了信号子空间,几何,统计,稀疏基础和空间上下文分离算法。同时讨论了数学问题和潜在解决方案。通过实验展示算法特征。
Feb, 2012
本文提出了一种基于两阶段自编码器网络的新型端元提取和高光谱反混合方案 EndNet,其结构完全优化和重组,通过引入额外的层和投影度量(即光谱角度距离(SAD)而不是内积)得到最优解,最后通过基于随机梯度的方法来扩展其可处理规模,该方法得到显著改进,表现优于文献中的现有技术。
Aug, 2017
最近的研究尝试使用高光谱成像(HSI)来检测产品中的异物,因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法,通过绕过传统的维度缩减方法,实现了更好的解释性和捕捉 HSI 的时间延迟问题,从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明,与特征提取方法相比,特征选择方法在推断阶段显示出 6.90 倍的更快速度,同时保持了异常检测的性能。最终,我们得出结论,特征选择方法具有高效且快速的优势。
Jan, 2024
这篇论文开发了一种全自动的无监督处理工作流程,使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类,该工作流程称为 GyPSUM, 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。
Jun, 2021
考虑端元变化的高光谱解混存在现实应用中物质分布通常不是高斯分布,本文提出使用高斯混合模型表示端元变化,通过两种视角验证了使用高斯混合模型与线性混合模型推导混合像素分布的关系,基于此给出了一种用于估计混合像素分布和端元的方法,并在合成数据和真实数据上验证其效果。
Sep, 2017
本文提出了一种基于神经元的半二次优化技术的鲁棒性第一个非监督高光谱分离模型,该模型针对纯度未知的情况下如何准确进行分离和清晰谱带噪声的情况下如何去噪,通过引入基于神经元的指标和数据稀疏等约束条件来解决这些问题.
May, 2013
该论文提供了一种新的、更具有鲁棒性更广泛的非负矩阵分解方法,使用一种后处理策略来处理数据集中的重复项和近似项。
Nov, 2012
本研究提出了一种称为 SuperPCA 的简单但非常有效的超像素 PCA 方法,以学习 HSI 的内在低维特征,通过超像素分割将空间上下文信息纳入无监督的降维,该方法能够提取判别性、紧凑且抗噪声的潜在低维特征,从而改善 HSI 分类性能。
Jun, 2018