Jun, 2024

多教师多目标元学习在零样本高光谱波段选择中的应用

PDF
TL;DR多老师多目标元学习网络 (M3BS) 是一种新颖的用于零样本高光谱波段选择的方法，通过构建通用的图卷积网络 (GCN) 生成数据集无关的基础，从多个波段选择任务中提取兼容的元知识，通过多目标元学习实现与多老师波段选择任务的联合优化，无需重新训练或微调即可直接转移给未知数据集。该方法在零样本高光谱波段选择中与当前最先进的基准方法表现出有效性和效率。
发现论文，激发创造
  • 嵌入式自适应优化的高光谱波段选择对图像语义分割的影响

    我们提出了一种嵌入式高光谱波段选择方法，不依赖先前处理，通过自适应 Stochastic Gates (STG) 算法进行波段选择，适用于真实时间或资源有限的应用，具有优越的准确性和易用性。

    Jan, 2024

  • 混合任务元学习：一种可扩展和可迁移的带宽分配的图神经网络方法

    本文提出了一个基于深度学习的带宽分配策略，该策略具有可扩展性和适用性，通过图神经网络表示带宽分配策略，使用混合任务元学习算法进行训练，通过模拟结果验证了方法的有效性和性能优势。

    Dec, 2023

  • BSS-Bench: 迈向可重现和有效的波段选择搜索

    通过选择具有代表性的少量波段从数百个波段中提取关键信息是克服高光谱成像的缺点（昂贵、捕获延迟和低空间分辨率）并使其广泛适用的关键技术。本研究提出了首个带选择搜索基准（BSS-Bench），该基准包含 52k 个训练和评估记录，用于各种高光谱分析任务的多个波段组合，旨在使带选择方法易于重现和比较。通过 BSS-Bench，可以轻松重现带选择实验，并衡量搜索结果与最佳性能之间的差距。此外，本研究还提出了一种高效的单次训练的带选择方法（SCOS），通过一次训练学习任何波段组合的优先级，消除了不同波段组合的重复重新训练的需求。经过广泛评估，证明了 SCOS 在多个任务上优于当前带选择方法，即使使用较少的波段。

    Dec, 2023

  • BASS Net：面向高光谱图像分类的频谱空间特征学习神经网络

    本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

    Dec, 2016

  • 一次性神经带选择用于频谱恢复

    本文提出一种新颖的 spectral recovery 方法 Neural Band Selection (NBS)， 使用基于连续松弛的带选择过程，采用梯度下降进行高效的搜素，并利用基于带相关矩阵的逐步抑制方法，使其适用于选择任意数量的带。NTIRE 2022 Spectral Reconstruction Challenge 的广泛评估表明，我们的 NBS 在四种不同的光谱恢复方法中均取得了一致的性能提升。

    May, 2023

  • RS-MetaNet：深度元学习度量学习用于远程感知场景分类

    提出了一种名为 RS-MetaNet 的简单而有效的方法，通过在任务级别而不是样本级别组织训练，学习学习一个可以对遥感场景进行良好分类的度量空间，其中采用了新的平衡损失函数，并在三个公开数据集上展示了在具有 1-20 个标记样本的情况下实现了最先进结果。

    Sep, 2020

  • 基于广义 3DTV 和张量 CUR 分解的高光谱波段选择

    该研究提出了一种新的高光谱波段选择模型，通过将数据分解为低秩平滑组分和稀疏组分，采用广义三维总变差（G3DTV）和交替方向乘子法（ADMM）来提高计算效率和抑制空间 - 光谱平滑性，验证了该方法的有效性，并提供了参数选择的实用指南。

    May, 2024

  • Few-Shot 土地覆盖分类的元学习

    本文提出了一种基于概率学习算法的元学习方法，使得通过很少的样本数据，模型可以从一个地理区域适应到另一个地理区域，结合地球科学的数据多样性，利用元学习的方式优化之后可以获得更高的表现作为地科领域的一项有益的工具。

    Apr, 2020

  • ES2Net：高效的光谱 - 空间网络用于高光谱图像变化检测

    为了解决选择频段困难和频段之间的复杂非线性关系的问题，本文提出了一种端到端的高效光谱空间变化检测网络（ES2Net），通过引入可学习的频段选择模块和聚类式空间注意机制，能够自动选择适合变化检测的频段并优化特征提取网络，从而提高光谱变化检测的效果。实验证明，该方法相较于其他最先进的方法具有更高的效能和优越性。

    Jul, 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