SpectralZoom: 自适应高光谱相机的高效分割
我们介绍了一种经济、紧凑且易于使用的主动照明相机,可在许多应用中受益,通过测试植物根部成像表明了相机获得了比传统 RGB 相机更多的信息能力,并且可以从多光谱输入重构高光谱数据,与原始高光谱相机数据兼容。
Jun, 2024
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
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
本文提出一种全新的无监督式深度学习算法,采用 3D 卷积自编码器与聚类方法相结合的方式,实现高精密度的高光谱图像分割,并作了多方面实验验证。
Jul, 2019
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
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
我们提出了一种基于 3D 卷积引导的光谱 - 空间 Transformer(3D-ConvSST)的高光谱图像分类方法,该方法利用 3D 卷积引导的残差模块(CGRM)在编码器之间来 “融合” 局部空间和光谱信息以增强特征传递,并通过全局平均池化来提取更具有辨别力和相关性的高级特征进行分类。在三个公共高光谱图像数据集上进行了大量实验,证明了所提出模型相比传统的、卷积和 Transformer 模型的优越性。
Apr, 2024
通过使用具有特定块大小的 HSI 立方体提取中心像素的空间 - 光谱特征表示,本研究论文探讨了 HSI 立方体中可能记录到的场景特定但非必要的相关性,这些附加信息改善了现有 HSI 数据集上模型的性能,并使其难以正确评估模型的能力。作者引入空间过拟合问题,并利用严格的实验设置来避免该问题。除此之外,论文还提出了一种用于 HSI 分类的多视图变换器,包括多视图主成分分析(MPCA)、光谱编码器 - 解码器(SED)和空间池化标记化变形器(SPTT)。通过构建光谱多视图观察并在每个视图数据上应用 PCA 来降维 HSI,MPCA 能够提取低维视图表示,这些视图表示的组合被称为多视图表示,并作为 MPCA 的输出进行传递。为了聚合多视图信息,论文引入了具有在光谱维度上呈 U 形状的全卷积 SED,用于提取多视图特征图。SPTT 利用空间池化标记化策略将多视图特征转换为标记,并为土地覆盖分类学习了健壮且具有区分性的空间 - 光谱特征。分类采用线性分类器进行,实验结果表明,所提出的多视图变换器优于现有方法,经过严格设置的三个 HSI 数据集上都取得了优越的性能。
Oct, 2023