多时相高光谱图像解混合的Transformer
利用2D CNN框架处理高光谱图像变化检测问题,通过深度学习整合亚像素信息和多源信息,并提出新的HSI-CD数据集进行评估,实验结果表明该方法在真实数据集上优于现有算法。
May, 2019
提出了一种基于空间注意力权重的混合网络(SAWU-Net),该网络可以更好地在端到端的模式下,学习空间注意力网络和加权混合网络,以更好地利用空间特征。 SAWU-Net通过像素注意块和窗口注意块有效地建模基于像素的光谱信息和基于补丁的空间信息,生成动态自适应的空间权重,以更有效地集成周围像素,其实验结果表明SAWU-Net具有更好的精度和优越性,反映了所提出的空间注意力机制的有效性。
Apr, 2023
本文介绍了一种基于扩散模型的远程感知高光谱图像变化检测方法,结合语义相关性扩散模型和交叉时序对比学习机制,利用丰富的未标定样本获得不变的光谱差异特征在三个数据集上的实验表明,该方法在准确性、kappa系数和F1值等方面都优于最先进的无监督方法,同时可以跟需要大量注释样本的全监督方法达成可比较的结果。
May, 2023
本文旨在将深度自编码器网络与去噪正则化结合,提出了一个名为AE-RED的泛型分离框架,来增强混合分离性能,实验结果表明该框架相较于现有的分离方法具有显著的优越性。
Jul, 2023
该研究提供了先进和传统的混合解析方法的概述,并从三个类别进行了关键比较。同时,实验结果显示了不同混合解析场景下不同解析类别的优势,并提供了一个基于Python的开源软件包以重现结果。
Aug, 2023
本文提出了一种新的可解释的深度学习方法,用于处理高光谱混合问题,该方法考虑了非线性和端元变异性,并利用概率变分深度学习框架和解缠态学习来实现丰度和端元的分离,通过使用两个流的神经网络以及多个组成元素的附加分段线性/非线性组件来提供高度的可解释性,并通过合成和真实数据集的实验证明了该方法的性能优于现有算法。
Oct, 2023
我们提出了一种基于Hyperspectral Conditional Generative Adversarial Network方法的高光谱解混框架,通过生成器和鉴别器的组合,将混合高光谱像素块转换为中心像素对应的成分丰度,并利用HSI Patch Transformer这一主要组件捕捉了高光谱像素块内部的像素相关性
Dec, 2023
基于深度学习的无监督非线性高光谱解混合方法通过结合通用非线性模型而不做特定假设,引入两个分支,一方面通过重构高光谱图像的行来学习端元,另一方面通过对应图像的列来学习丰度值,并利用多任务学习来强制两个分支协同工作,从而提高解混合网络的性能,通过对合成和实际数据的广泛实验验证了该方法的有效性并与一些最先进的高光谱解混合方法进行了比较。
Feb, 2024
本研究提出了一种名为UnmixingSR的组件感知高光谱图像超分辨网络,利用无监督学习来感知高光谱图像的材料成分,并通过探索低分辨率和高分辨率丰度之间的约束来提高方法在解决超分辨问题时的稳定性。实验证明,将无监督感知过程作为辅助任务嵌入超分辨问题是可行和有效的。
Jul, 2024
本研究解决了高光谱成像(HSI)领域缺乏全面且具有全球代表性的高光谱数据集的问题。我们提出了SpectralEarth,一个大型多时相数据集,旨在通过自监督学习算法预训练高光谱基础模型,显著提高了不同任务和传感器中的模型通用性和计算效率。该数据集、模型和源代码将公开发布,推动高光谱成像的进一步研究与应用。
Aug, 2024