May, 2024

基于深度学习的农产品高光谱图像重建质量评估

PDF
TL;DR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。
hyperspectral imagingdeep learningagricultural applicationsreconstructionsoluble solid content
发现论文，激发创造
  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 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

  • 基于 3D 卷积神经网络的农作物病害缺陷分类技术综述，使用非无人机高光谱图像

    本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

    Jun, 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

  • 通过高光谱域映射学习提高视觉质量

    通过深度学习，提出了一种 SpecNet 深度架构，该架构计算光谱剖面以估计给定图像的像素动态范围调整，进而实现在低光条件下用环境一致框架生成高光谱图像，并通过自我监督和光谱剖面规则化网络来从 RGB 图像推断出可能的高光谱图像。

    Feb, 2021

  • 采用空间 - 光谱深度残差卷积神经网络的高光谱图像去噪

    本文提出了一种基于深度学习的方法，通过使用混合空间谱卷积神经网络（HSID-CNN）学习噪声和清晰 HSI 之间的非线性端到端映射来对 HSI 图像进行去噪处理，并通过多尺度特征提取和多级特征表达来捕捉多尺度空间 - 频谱特征并融合不同级别的特征表示来进行最终还原，实验结果表明，该方法在定量评估指标、视觉效果和 HSI 分类准确率方面均优于许多主流方法。

    Jun, 2018

  • 深度高光谱先验：降噪、修复、超分辨率

    本篇研究旨在通过利用 CNN 的内在属性来解决高光谱图像处理中数据集过小导致训练困难的问题，并提出了一种新的不需训练网络的方法解决高光谱图像去噪、修复和超分辨率问题，该方法在性能上与已有的训练网络方法相当，但不受训练数据可用性限制。

    Feb, 2019

  • 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

  • 基于高光谱图像重建的小鸟胚胎死亡预测：促进禽蛋和孵化产业的发展

    该研究集中在利用图像重建算法进行高光谱图像的重建，以实现对鸡胚胎死亡的早期预测，从而提高畜禽养殖的健康与效率。同时，该研究认为整合智能传感器和数据分析的成像技术有助于改进自动化、增强生物安全性，并实现可持续农业 4.0 的资源管理优化。

    May, 2024