Jun, 2024

HyperSIGMA：高光谱智能理解基础模型

PDF
TL;DR对于富含光谱信息的高光谱图像（HSI），我们引入了基于 Vision Transformer 的基础模型 HyperSIGMA，通过一种新颖的稀疏采样注意力机制 (SSA) 有效地解决了光谱和空间冗余的挑战，并使用特别设计的光谱增强模块，将空间和光谱特征进行整合。 HyperSIGMA 在各种高级和低级 HSI 任务上的广泛实验证明了其多功能性和优越的代表能力，同时显示出在可扩展性、健壮性、跨模态传输能力和实际应用性方面的显著优势。
foundation modelshyperspectral imageshypersigmasparse sampling attentionspectral enhancement
发现论文，激发创造
  • SSUMamba: 高光谱图像去噪的空间 - 光谱选择性状态空间模型

    本论文提出了一种基于空间 - 谱选择性状态空间模型的 U 型网络（称为 SSUMamba），用于高光谱图像去噪，能够在状态空间模型计算中实现完全的全局空间 - 谱相关性，通过引入交替扫描策略（SSAS）对多方向 3D 高光谱图像进行信息流建模。实验证明，我们的方法优于其他方法。

    May, 2024

  • 基于子空间正则化的高光谱图像超分辨率的凸形式表达

    该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法，使用向量全变差作为正则化项，通过 Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化，取得了优于现有算法的效果。

    Nov, 2014

  • MS/HS 融合网络用于多光谱和高光谱影像融合

    本文提出了一种基于模型的深度学习方法，用于合并高分辨率多光谱和低分辨率高光谱图像以生成高分辨率高光谱图像，实验结果证实该方法在视觉和定量上均优于同类方法。

    Jan, 2019

  • 基于像素感知的深度函数混合网络用于光谱超分辨率

    提出了一种基于像素的深度函数混合网络，其中包括一种新的模块，称为函数混合（FM）块，用于光谱超分辨率，以确定每个像素的接受域大小和映射函数，并使用 late-stage 的中间特征增强了性能，在三个基准 HSI 数据集上验证其优越性。

    Mar, 2019

  • FactoFormer：因子化的高光谱变压器及其自监督预训练

    通过引入因式分解光谱 - 空间 Transformer 与因式化的自监督预训练，本研究在三个公开可用数据集上展示了高光谱图像分类任务中的最新进展。

    Sep, 2023

  • 频率辅助蟒蛇用于遥感图像超分辨率

    提出了一种用于处理大规模远程感知图像超分辨率的频率辅助 Mamba 框架，通过多级融合结构和可学习的缩放适配器实现了准确的特征融合，相比于现有方法具有更高的峰值信噪比和更低的内存消耗和计算复杂度。

    May, 2024

  • 互信息和最陡上升策略的特征选择智能算法

    本文设计了一个基于互信息的算法，与最陡上升算法相结合，以提高对 HSI 分类有用的相关波段的对称不确定性系数策略的特征选择工具和包装器策略，以控制冗余和提高对人工智能的理解和适应。

    Oct, 2022

  • 具有语义不变增强的超像素图对比聚类方法在高光谱图像中的应用

    利用三维和二维混合卷积神经网络提取高维空间和光谱特征，设计超像素图对比聚类模型，使用像素采样增强和模型权重增强来改善先验视图对比聚类，通过样本级对齐和聚类中心对比，优化超像素嵌入的类内相似性和类间差异性。在多个高光谱图像数据集上验证了该方法的优势，例如在 India Pines 数据集上，与最先进方法相比，模型的聚类准确率从 58.79% 提高到 67.59%。

    Mar, 2024

  • 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

  • 3DSS-Mamba: 3D-Spectral-Spatial Mamba 用于高光谱图像分类

    提出了一种基于 3D-Spectral-Spatial Mamba 框架的新方法，用于全局光谱 - 空间关系建模及高效的高光谱影像分类，实验结果表明该方法在 HSI 分类任务中优于现有方法。

    May, 2024