Apr, 2024

传统到 Transformer：高光谱图像分类的当前趋势与未来前景调查

PDF
TL;DR高光谱图像分类是一项具有挑战性的任务，该研究综述了当前深度学习模型和转换器在高光谱图像分类领域的最新趋势和未来发展前景，并提供了关键概念、方法学以及深度学习和转换器在高光谱图像分类中的最新方法。同时，还通过应用三个高光谱数据集进行了全面的实验验证，并讨论了深度学习模型和转换器方法的优势和挑战。最后，概述了进一步提高高光谱图像分类准确性和效率的未来研究方向和潜在应用。
hyperspectral image classificationdeep learning techniquestransformersstate-of-the-art approachesfuture research directions
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

  • 基于超光谱图像迁移学习的地形分类：一项比较研究

    通过应用 PCA 对超光谱数据集进行预处理，再应用深度学习模型进行分类，以降低训练时间并减少对大量标记数据集的依赖，并进行了 CNN 和多个 MLP 架构模型的详细比较，结果表明采用迁移学习方法比直接训练新模型在大型数据集上更能减小训练时间以及提高准确性。

    Jun, 2022

  • 图像分类任务中视觉 Transformer 的全面研究

    综述了关于视觉变换器用于图像分类的现有研究，包括图像分类数据集，视觉变换器模型的发展历程和未来研究机会。

    Dec, 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

  • 高光谱图像分类进展：基于统计学习方法的地球监测

    该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

    Oct, 2013

  • 金字塔分层变压器用于高光谱图像分类

    我们提出了一种基于金字塔形式的分层 Transformer 模型 (PyFormer)，用于提高高光谱图像分类的处理效率和抽象传播能力。实验结果显示，这种方法在提高传统方法的基础上有着更好的优势，并且通过集成不同层级的输出，进一步增强了鲁棒性和可靠性，从而展示了我们的方法在推动高光谱图像分类方面的潜力。

    Apr, 2024

  • SpectralFormer：基于 Transformer 的高光谱图像分类的重新思考

    本研究提出了一种名为 SpectralFormer 的新型网络，它采用了变形金刚模型，从时序的角度重新构思了超光谱图像分类问题，并在三个数据集上证明了其优越性。

    Jul, 2021

  • 农业中的高光谱图像分析深度学习技术综述

    本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

    Apr, 2023

  • 区域感知的高光谱分类

    我们介绍了 HyLITE，这是一种模型局部和光谱信息的视觉转换器，利用新型的正则化函数促进了局部到全局信息的整合，该方法在准确度上超过了竞争基准，并取得了高达 10％的增益。

    Sep, 2023

  • 深度迁移学习在图像分类上的应用综述

    本论文从深度迁移学习定义开始，概览了图像分类领域中当前发展情况及存在的知识空白，并提出了一种新的迁移学习应用分类法以帮助更好地理解迁移学习的成效和问题所在。

    May, 2022