Sep, 2024

基于高光谱成像的像素级材料分类深度学习方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 一份4D光场数据集及用于材料识别的CNN架构

    介绍了一个新的光场数据集，并利用深度学习在4D光场上进行材料识别。实验中，最佳表现的CNN架构相比2D图像分类提高了7％（从70％到77％），这些结果构成了对CNN应用于光场应用的重要基线。

    Aug, 2016

  • 基于材料的高光谱视频目标跟踪: 基准和算法

    利用高光谱图像的物质信息提出了材料特征表示和基于材料的物体跟踪方法，并构建了一个全面标注的数据集进行实验验证。

    Dec, 2018

  • 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

  • 清洁河流的愿景：利用快照式高光谱成像技术检测大型塑料垃圾

    在本文中，我们通过计算成像方法分析了在河流情景下利用大气塑料垃圾的宏观可视-短波红外高光谱成像进行监测的可行性；我们的实验表明，结合机器学习分类方法和高光谱数据以及非线性分类器，可以在具有挑战性的情景中实现高精度的检测。

    Jul, 2023

  • 高通量塑料特性的系统降维超光谱图像

    为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

    Aug, 2023

  • 一个用于混合物解混的多传感器高光谱基准数据集

    本研究生成实验室地面真实数据集，用于验证非线性解混和物质组成估计的高级方法，包括研究光谱变异性和训练监督解混方法。

    Aug, 2023

  • 利用高光谱图像和多块非负矩阵分解进行单/多材料特征化

    塑料分类是废物管理中非常关键的一步，特别是由于多层塑料的存在。工业4.0通过近红外高光谱成像(NIRHSI)显著改善了塑料包装的材料分类速度和准确性，其中使用了非负矩阵分解(NMF)来识别多层塑料。

    Aug, 2023

  • SpectralWaste数据集：用于垃圾分类自动化的多模态数据

    对于物体分割的多模态感知在实际废物管理环境中进行了研究，包括数据集收集和算法评估，证明了高光谱成像可在工业环境中提升光学感知性能。

    Mar, 2024

  • 用于电子废弃物识别的高光谱数据集合深度学习方法

    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。

    Jul, 2024