Apr, 2024

多源数据增强的光谱图像数据融合

PDF
TL;DR通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。
multispectral imageshyperspectral imagesspectral image data fusioninterpolation techniquesmachine learning
发现论文，激发创造
  • 农业中的多光谱图像分割：融合方法的综合研究

    本研究针对农业应用中的图像分割问题，通过结合 RGB 和 NDVI 作为输入，比较了不同的融合方法在作物行检测中的效果，研究发现，传统的边缘检测和阈值法等经典分割方法在需要精确的前景 - 背景分离任务中具有竞争力，融合策略中的后期融合表现为最有效的方法，在不同的分割场景中展现出卓越的适应性和效果。

    Jul, 2023

  • 遥感中多源和多时相数据融合

    本文总结了多个研究社区关于多源、多时间数据融合方法的进展，为不同层次（例如学生、研究人员和高级研究人员）的研究者提供了充足的细节和参考，以便于他们在这个具有挑战性的课题上进行新的调查。

    Dec, 2018

  • 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

  • 多源融合合成高光谱数据集的高光谱空间分辨率提升

    本研究介绍了一个合成高光谱数据集，通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示，强调多模态融合在生成高质量合成高光谱数据集中的重要性，以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。

    Jun, 2023

  • 考虑季节性光谱变异的高光谱和多光谱图像融合超分辨率

    本文介绍了一种新的 HS-MS 图像融合策略，该策略将不混合基础方法与典型光谱变异的显式参数模型相结合，模拟表明该策略在光谱变异下可以显著提高性能，并表现出最先进的性能。

    Aug, 2018

  • 多光谱立体影像融合用于 3D 高光谱场景重建

    通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

    Dec, 2023

  • 使用 3-D 卷积神经网络进行多光谱和高光谱图像融合

    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

  • 单一与综合多光谱航空影像的融合

    使用混合架构，通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征，以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征，不需要手动调整参数，可以扩展到任意数量和组合的光谱通道，可根据不同用例进行重新配置，超越了现有技术。

    Nov, 2023

  • 基于条件去噪扩散概率模型的高光谱和多光谱图像融合

    该研究提出了一种基于条件去噪扩散概率模型的深度融合方法，用于合成具有高空间和高光谱分辨率的理想图像。通过在训练集上进行前向扩散和逆向去噪过程，该方法在实验中表现出优越性。

    Jul, 2023

  • 多光谱深度神经网络的鲁棒性和可解释性对架构的影响

    通过研究多光谱深度学习模型的各种融合方法，我们评估了这些模型对不同输入波段的相对依赖性以及对影响一个或多个输入通道的自然图像损坏的稳健性。

    Sep, 2023