用于个体企鹅识别的高光谱图像数据集
提出了两个新的光谱极化数据集:三色 Stokes 图像和高光谱 Stokes 图像。这些数据集包含线性和圆偏振;引入了多个光谱通道;并且具有广泛选择的真实世界场景。通过这些数据集,分析了光谱极化图像的统计特性,发展了高维数据的有效表示方式,并评估了形态 - 来自 - 极化方法的光谱依赖性。该数据集为数据驱动的光谱极化成像和视觉研究奠定了基础。数据集和代码将公开提供。
Nov, 2023
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
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
通过引入包含不同应用领域(食品检查、遥感和回收)的创新基准数据集,本研究解决了目标数据集规模有限的限制,从而促进了高光谱图像模型能力的全面评估,并提供了最先进技术的深入研究和更加稳定的训练流程。
Sep, 2023
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
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
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