Jul, 2024

用于电子废弃物识别的高光谱数据集合深度学习方法

HTML
PDF
TL;DR评估了不同深度学习架构在高光谱图像分割中的性能，发现融合光谱和空间信息能提高分割结果，并强调进一步研究新的架构和将RGB基础模型应用于高光谱领域的重要性。此外，清洁并公开了Tecnalia WEEE高光谱数据集，对于高光谱成像领域的新研究者具有指导意义。
发现论文，激发创造
  • 基于马尔可夫随机场和卷积神经网络的高光谱图像分类

    该论文提出了一种新的超光谱遥感图像监督分类算法，该算法在统一的贝叶斯框架下集成了波谱和空间信息，并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明，该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。

    May, 2017

  • 高光谱图像分类的深度学习：综述

    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

  • SpectralFormer：基于Transformer的高光谱图像分类的重新思考

    本研究提出了一种名为 SpectralFormer 的新型网络，它采用了变形金刚模型，从时序的角度重新构思了超光谱图像分类问题，并在三个数据集上证明了其优越性。

    Jul, 2021

  • 利用短波红外高光谱成像进行塑料分析的预处理和模型复杂性影响研究

    本文介绍了如何利用计算机视觉和深度学习技术，通过对塑料的短波红外高光谱图像进行自动分析，实现了塑料废物的回收，通过专门的塑料超光谱架构，解决了分割塑料片的任务，并介绍了信号预处理在超光谱成像中的重要性，并提出了最大、最全面的塑料碎片高光谱数据集。

    Mar, 2022

  • MatSpectNet：具有领域感知和物理约束的材料分割网络

    提出了一种新模型MatSpectNet，利用从RGB图像中恢复的高光谱图像来进行物质分割，通过色彩感知原理和域自适应方法，将高光谱图像的恢复能力推广到物质分割数据集中，实验证明MatSpectNet在像素准确性和类别准确性方面比现有方法提高了1.60%和3.42%。

    Jul, 2023

  • 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

  • PCB-Vision：一个印刷电路板的多场景RGB-高光谱基准数据集

    本研究探讨回收电子废物（电子废品）的关键问题，致力于开发先进的自动化数据处理流程作为决策和过程控制的基础。使用RGB和高光谱成像数据的非侵入性分析方法，提供定量和定性的洞察电子废物组成，以优化回收效率，并通过提供多个场景的基准数据集和多个现代模型的性能进行广泛的统计研究。

    Jan, 2024

  • DMSSN: 高光谱显著目标检测的蒸馏混合光谱-空间网络

    通过提出一种名为DMSSN的新方法，利用深度网络进行多波段图像数据降维和特征提取，实现了对复杂场景下的高光谱显著目标的精确检测，同时创建了一个大规模的高光谱显著目标检测数据集HSOD-BIT。

    Mar, 2024

  • SpectralMamba：高效的高光谱图像分类Mamba

    SpectralMamba是一种高效的深度学习框架，结合了状态空间模型来进行高光谱图像分类，通过学习动态掩膜和合并光谱的操作在隐藏状态空间中实现了选择性的响应，同时在计算效率和性能角度上取得了令人满意的成果。

    Apr, 2024

  • 基于高光谱成像的像素级材料分类深度学习方法

    本研究解决了现有RGB系统在废物分类、制药和国防等行业中无法提供高级物体特征化的问题。通过结合高光谱成像和深度学习，本研究开发了一种模型，实现了99.94%的像素级材料分类准确率，展现了在颜色、尺寸和形状不变性方面的鲁棒性，表明高光谱成像在计算机视觉应用中的强大潜力。

    Sep, 2024