- 多光谱、高光谱和高空间分辨率航空影像的深度学习语义分割评估
该研究使用深度学习语义分割方法,在多光谱、高光谱和高空间分辨率的航拍图像数据集上进行了土地覆盖分类,其中 LinkNet 模型在所有数据集中获得了高 IoU 准确率 0.92,评估结果显示多光谱图像在 IoU 和 F1 得分上表现更佳,展示 - 多源数据增强的光谱图像数据融合
通过使用插值技术,介绍了一种光谱图像数据融合的方法,以允许机器学习模型在更多数据源上进行训练和使用,从而提供更好的泛化能力。通过使用表面绘图和指标(如 CMSE 和 NDVI),评估了插值结果,并通过估计对语义分割等机器学习模型训练的影响进 - 广义对手变换全变差多光谱图像恢复
提出并发展了多光谱总变差正则化在广义对手变换域而非原始多光谱图像域中的应用,通过定量指标如 MPSNR 和 MSSIM 的评估,展示了其在多光谱图像恢复中相较于现有方法的卓越性能。
- 利用深度卷积神经网络和多光谱成像进行水稻病害检测与诊断
这篇论文介绍了使用多模态数据的公共多光谱和 RGB 图像数据集以及深度学习流程,用于检测水稻植物疾病,通过多光谱数据和 RGB 数据作为输入,相较于仅使用 RGB 数据输入,在 F1 准确性上得到了更高的结果。
- 基于条件去噪扩散概率模型的高光谱和多光谱图像融合
该研究提出了一种基于条件去噪扩散概率模型的深度融合方法,用于合成具有高空间和高光谱分辨率的理想图像。通过在训练集上进行前向扩散和逆向去噪过程,该方法在实验中表现出优越性。
- 基于循环一致性的无监督高光谱和多光谱图像融合
本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型,通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换,实现了高分辨率高光谱图像的生成,并且在多个数据集上的实验证明该模型优于其他无监督融合方法。
- MM高光谱文件图像的盲去模糊
本研究提出了针对文档图像的新型盲式高光谱图像去模糊方法,它利用高光谱图像的低秩属性和文本优化图像先验来进行 PSF 估计和去模糊。初步结果表明,该方法在所有光谱带上都可以得到良好的结果,成功地消除了模糊和噪声引起的图像伪影,并显著增加了可以 - LudVision -- 无人机搭载多光谱数据实现外来入侵水生植物的远程侦测
本研究使用遥感技术中的多光谱图像检测方法,对水生侵入物种 Ludwigia peploides 进行监测,以实现对生态系统的保护。经验证,所提出的检测方法对于多光谱数据有极高的判别准确度。
- MM利用软计算方法进行多光谱卫星数据分类
该研究提出了基于格子密度的聚类技术和规则归纳机器学习算法,应用于卫星图像的目标识别和分类,经过多个合成和基准数据集验证。
- 循环融合和精炼块的多光谱目标检测融合
本文提出了一种半途径特征融合方法,使用神经网络并添加一个特殊模块来循环融合和优化每个光谱特征,以解决多光谱图像中信息融合的难题,并在两个具有挑战性的数据集上评估,结果表明与其他最先进的多光谱目标检测方法相比,我们的循环融合 - 优化模块能有 - 利用可逆神经网络进行光学成像模态的不确定性感知性能评估
该研究提出了一种新方法来评估光学成像技术,该方法基于可逆神经网络的概念,将多光谱测量映射到全概率分布中以表示解的不确定性,可以帮助优化光学相机设计。
- 卷积神经网络在多光谱地球观测城市变化检测中的应用
本文利用 Copernicus Sentinel-2 提供的全球高频多光谱图像和卷积神经网络探索了城市变化检测的应用。首先,介绍了用于训练所提出的网络的新变化检测数据集;随后,提出了两种架构来检测变化,在使用不同数量的光谱通道作为输入的情况 - 全卷积孪生网络用于变化检测
本文提出了具有核对齐图像对的三种全卷积神经网络结构来执行变化检测,其中最显著的是,我们提出了两个完全卷积网络的连体扩展,利用当前问题的启发式规则在我们对两个开放变化检测数据集、使用 RGB 和多光谱图像的测试中取得了最佳结果。我们展示了我们 - 针对多光谱行人检测的基于光照感知的 Faster R-CNN
该研究深入比较了六种不同的卷积网络融合架构,并分析了它们的适应性,从而使传统架构能够实现与最先进的结果可比的检测性能。然后,提出了一种感知光照的 Faster R-CNN,该方法采用适应性门控函数来整合彩色和热图像,实现了对行人的有效检测, - 使用循环卷积神经网络学习光谱 - 空间 - 时间特征,在多光谱图像中进行变化检测
本文提出了一种基于循环卷积神经网络的方法,能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征,达到更好的变化检测结果。与传统方法不同的是,该方法具备三个独特的特性,即端到端训练,自然利用空间信息以及能够自适应地学习多时相图像之间的时 - CVPR基于低秩约束的多光谱图像内在分解
本文提出了一种低秩多光谱图像固有分解模型(LRIID),可从单个多光谱图像中分解阴影和反射率。该方法基于 Retinex 模型,提出了低秩约束来减少问题的不适定性并使算法可解,并通过实验证明了其有效性。
- weedNet:利用多光谱图像和微飞行器进行密集语义杂草分类的智能农业
本文介绍了一种使用编码器 - 解码器串联卷积神经网络进行密集语义杂草分类的方法,以通过微型飞行器收集的多光谱图像减少损害周围植物的可靠而精确的杂草检测,训练不同数量通道的模型并在嵌入式 GPU 系统中进行部署。
- 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