Comparative Analysis of Hyperspectral Image Reconstruction Using Deep Learning for Agricultural and Biological Applications
Louisiana State University(路易斯安那州立大学)
本研究对比了HSCNN-D、HRNET和MST++等深度学习算法从RGB图像重建高光谱图像的效果,发现HRNET在评估甘薯干物质含量时误差最低,表明该方法可作为农业领域高效低成本的质量评估工具。
2024-06-02 cs.CV eess.IV
Hyperspectral vs. RGB for Pedestrian Segmentation in Urban Driving Scenes: A Comparative Study
School of Engineering, University of Galway(Galway大学工程学院);Ryan Institute, University of Galway(Galway大学Ryan学院);Valeo Vision Systems(Valeo视觉系统)
本研究比较了高光谱与RGB在城市驾驶场景中行人分割的效果,发现CSNR-JMIM方法在行人和骑手分割中均取得显著提升。
2025-08-15 cs.CV
Forward-Forward Algorithm for Hyperspectral Image Classification: A Preliminary Study
Michigan Technological University(密歇根理工大学)
本研究针对反向传播算法的计算复杂性与梯度消失等局限,首次将前向-前向算法(FFA)应用于高光谱图像分类,通过计算局部优良度函数优化网络参数,实验证明其具有巨大潜力。
2023-07-01 cs.AI cs.CV cs.LG
3D Terrain Segmentation in the SWIR Spectrum
U.S. Army Research Laboratory(美国陆军研究实验室);University of Texas at El Paso(得克萨斯大学埃尔帕索分校)
我们专注于使用高光谱短波红外(HS-SWIR)图像和三维数字高程模型(DEM)的自动三维地形分割问题。这些数据集是独立收集的,HS-SWIR数据集的元数据不可用。我们探索的整体斜率的短波红外光谱,与土壤中的水分的存在,提出一个波段比测试被用作土壤水分含量的代理,以区分两大类对象:活的植被不透水的人造表面。我们发现,基于图像的定位技术与最优随机随机抽样共识(RANSAC)算法相结合,实现精确的空间匹配的HS-SWIR数据的洛杉矶市中心的一部分(LA(美国))和可见光图像的地理注册的三维DEM,覆盖更广泛的区域LA。我们的基于光谱高程规则的方法产生了97.7%的整体准确率,分割成建筑物,房屋,树木,草地和道路/停车场的对象类。
2018-10-27 cs.CV
NukesFormers: Unpaired Hyperspectral Image Generation with Non-Uniform Domain Alignment
本文提出NukesFormers,通过范围-零空间分解和非均匀Kolmogorov-Arnold网络解决非配对高光谱图像生成中的域对齐与零空间补偿难题,在UnHIG任务上建立新基准。
2025-03-10 cs.AI cs.CV
Superpixel Contracted Graph-Based Learning for Hyperspectral Image Classification
高光谱图像分类的核心问题是在使用有限数量的标记数据时获得高的分类精度。在本文中,我们提出了一种新的基于图的框架,其目的是解决这个问题,在存在大规模的数据输入。我们的方法利用了一种新的超像素方法,专门为高光谱数据设计,以定义图像中有意义的局部区域,这些区域具有很高的概率共享相同的分类标签。然后,我们从这些区域提取光谱和空间特征,并使用这些来产生一个收缩的加权图形表示,其中每个节点代表一个区域,而不是一个像素。然后,我们的图被输入到一个基于图的半监督分类器中,该分类器给出最终的分类。我们表明,在图形表示中使用超像素是加速应用于高光谱图像的图形分类器的有效工具。我们通过详尽的定量和定性结果证明,我们提出的方法产生准确的分类时,使用了令人难以置信的少量标记的数据。我们表明,我们的方法减轻了现有方法的主要缺点,导致我们的方法优于几个比较国家的最先进的技术。
2019-03-19 cs.CV cs.LG stat.ML
3D CNN with Localized Residual Connections for Hyperspectral Image Classification
Madan Mohan Malaviya University of Technology(马丹·莫汉·马拉维亚技术大学);Malaviya National Institute of Technology Jaipur(斋浦尔马拉维亚国家理工学院)
在本文中,我们提出了一种新的三维CNN网络与局部残差连接的高光谱图像分类。我们的工作与现有的方法进行了比较研究,用于提取更深层次的功能,并提出了一个模型,该模型结合了网络中的多个阶段的剩余功能。该架构通过3D卷积层处理来自高光谱图像的个体空间光谱特征丰富的立方体。由于低级别和高级别特征的同化,剩余连接导致改进的性能。我们在帕维亚大学和帕维亚中心数据集上进行实验,以进行性能分析。我们比较了我们的方法与两个最近的国家的最先进的高光谱图像分类方法的方法。所提出的网络性能优于现有的方法有很好的保证金。
2019-12-06 cs.CV eess.IV
Hyper-Hue and EMAP on Hyperspectral Images for Supervised Layer Decomposition of Old Master Drawings
Friedrich-Alexander University Erlangen Nuremberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Max-Planck-Institute for Art History(马克斯·普朗克艺术史研究所)
旧的绘画大师大多是使用不同的材料在几个层次上逐步创建的。对于艺术历史学家和修复者来说,对这些层次的研究可以为艺术作品的制作过程带来各种见解,并有助于回答有关对象,其归属及其真实性的问题。然而,这些层通常重叠并且通常难以用肉眼区分。例如,常见的图层组合是墨水下的红色粉笔。在这项工作中,我们提出了一个图像处理流水线上操作的高光谱图像分离这样的层。使用这个管道,我们表明,高光谱图像比RGB图像更好地实现层分离,并且光谱焦点堆叠有助于层分离。特别是,我们建议使用两个描述符在高光谱历史文件分析,即超色调和扩展的多属性配置文件(EMAP)。我们与其他功能的比较结果强调了三个建议的改进的有效性。
2018-05-28 cs.CV cs.DL
A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery
BITS, Pilani(pilani比兹大学)
超光谱卫星图像目前正广泛用于准确的灾害预测和地形特征分类。然而,在这样的分类任务中,大多数目前的方法仅使用包含在图像中的光谱信息。因此,在本文中,我们提出了一个新的框架,考虑到光谱和空间信息包含在数据的土地覆盖分类。为此,我们使用高斯最大似然(GML)和卷积神经网络方法进行像素光谱分类,然后使用Watershed算法生成的分割图,将空间上下文信息纳入我们的模型中。使用修改的多数投票技术。在两个基准数据集上的实验分析表明,我们提出的方法比以前的方法更好,在帕维亚大学和印度松树数据集上分别达到99.52%和98.31%的准确率。此外,我们的基于GML的方法,一个非深度学习算法,显示出与最先进的深度学习技术相当的性能,这表明了所提出的方法对于执行高光谱图像的计算效率分类的重要性。
2020-07-22 cs.CV eess.IV
Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing
Tianjin University(天津大学)
近年来,神经网络的发展在高光谱图像分类方面取得了很大的进展。然而,过拟合效应,这主要是由复杂的模型结构和小的训练集,仍然是一个主要的关注。降低神经网络的复杂性可以在一定程度上防止过拟合,但也会降低网络表达更抽象特征的能力。扩大训练集也很困难,因为获取和手动标记的费用很高。在本文中,我们提出了一种基于丰度的多HSI分类方法。首先,我们将每个HSI从光谱域转换到丰度域通过特定的自动编码器。其次,收集来自多个HSI的丰度表示以形成扩大的数据集。最后,我们训练一个基于丰度的分类器,并使用该分类器对所有涉及的HSI数据集进行预测。与通常高度混合的光谱不同,丰度特征在降低的维度中更具代表性,噪声更少。这有利于所提出的方法采用简单的分类器和扩大的训练数据,并期望更少的过拟合问题。烧蚀研究和对比实验验证了该方法的有效性。
2020-12-21 cs.CV cs.LG eess.IV
Pixel-Superpixel Contrastive Learning and Pseudo-Label Correction for Hyperspectral Image Clustering
National University of Defense Technology(国防科技大学);China University of Geosciences(中国地质大学)
针对高光谱图像聚类中像素级对比学习耗时高、超像素级结果粗糙的问题,提出融合两者的PSCPC方法,结合伪标签校正模块对齐两类伪标签并实现监督,兼具有效性与高效性。
2023-12-15 cs.AI cs.CV
MethaneMapper: Spectral Absorption aware Hyperspectral Transformer for Methane Detection
University of California Santa Barbara(加州大学圣巴巴拉分校)
提出端到端光谱吸收波长感知Transformer网络MethaneMapper用于检测和量化甲烷排放,构建了超4000个羽流位点的大规模数据集,检测精度达0.63 mAP且模型体积缩小5倍。
2023-04-05 cs.CV cs.LG eess.IV
A Novel Approach for Dimensionality Reduction and Classification of Hyperspectral Images based on Normalized Synergy
Mohammed V University(穆罕默德五世大学)
在过去的十年中,高光谱图像已经吸引了越来越多的兴趣,从世界各地的研究人员。与传统的RGB和多光谱图像相比,它们提供了关于观察区域的更详细的信息,并允许准确的目标检测和对象的精确区分。尽管高光谱技术具有巨大的潜力,但对大数据量的分析和利用仍然是一项具有挑战性的任务。不相关的冗余和噪声图像的存在降低了分类精度。因此,降维是一个强制性的步骤,以选择一个最小的和有效的图像子集。在本文中,一个新的过滤器的方法归一化的相互协同作用(NMS),提出了为了检测相关波段,是互补的类预测比原来的高光谱立方体数据。该算法由两个步骤组成:通过归一化协同信息进行图像选择和像素分类。所提出的方法测量的基础上的组合的最大归一化协同信息,最小冗余和最大互信息与地面真相的选择频带的鉴别力。使用支持向量机(SVM)和k-最近邻(KNN)分类器进行比较研究,以评估所提出的方法相比,最先进的波段选择方法。在NASA的“Aviris Indiana Pine”、“Salinas”和“Pavia University”提出的三幅基准高光谱图像上的实验结果证明了该方法的鲁棒性、有效性和鉴别力。保留字:超光谱图像;目标探测;像素分类;降维;波段选择;信息论;互信息;正规化协同
2022-10-25 cs.CV
Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples
目前用于诊断患者体内多种类型癌症进展的方法依赖于解释染色的针活检。这个过程是耗时的,并且在整个石蜡化、苏木精和伊红(H&E)染色、脱蜡和注释阶段中容易出错。已证明,傅里叶变换红外(FTIR)成像是染色的一种有前途的替代方案,可适当注释活检芯,而无需使用傅里叶变换红外(FTIR)图像进行脱蜡或H&E染色。与机器学习结合解释密集的光谱信息。我们提出了一种机器学习管道来分割活检核心的高光谱图像中的白细胞(淋巴细胞)像素。这些细胞在临床上对诊断很重要,但由于难以获得精确的像素标记,一些先前的工作一直难以将它们纳入其中。评价的方法包括支持向量机(SVM),高斯朴素贝叶斯,多层感知器(MLP),以及分析比较现代的卷积神经网络(CNN)。
2022-04-16 cs.CV eess.IV
Classification of remote sensing images using attribute profiles and feature profiles from different trees: a comparative study
Gebze Technical University(盖布泽技术大学)
本文的动机是进行比较研究的遥感图像分类使用形态属性剖面(AP)和特征剖面(FP)产生的不同类型的树结构。在过去的几年里,AP一直是对图像的空间和上下文信息进行建模的最有效的方法之一。最近,已经提出了一种称为FP的AP的新扩展,其在形成输出轮廓时用一些统计和几何特征代替像素灰度。FP已被证明是更有效的比标准的AP时,从组件树(最大树和最小树)生成。在这项工作中,我们调查他们的性能上的包含树(树的形状)和分区树(阿尔法树和欧米茄树)。全色和高光谱图像的实验结果再次证实了FP的效率相比,AP。
2018-06-18 cs.CV
Active Transfer Learning Network: A Unified Deep Joint Spectral-Spatial Feature Learning Model For Hyperspectral Image Classification
Xidian University(西安电子科技大学);Beihang University(北京航空航天大学);UBTECH Sydney Artificial Intelligence Centre(优必选悉尼人工智能中心);The University of Sydney(悉尼大学)
深度学习最近在高光谱图像(HSI)分类领域引起了极大的关注。然而,高效的深度神经网络(DNN)的构建主要依赖于大量可用的标记样本。为了解决这个问题,本文提出了一个统一的深度网络,结合主动迁移学习,可以使用最小标记的训练数据很好地训练HSIs分类。更具体地说,深度联合频谱空间特征首先通过分层堆叠稀疏自编码器(SSAE)网络提取。然后利用主动迁移学习将预先训练的SSAE网络和有限的训练样本从源域迁移到目标域,其中SSAE网络随后使用通过相应的主动学习策略从源域和目标域两者选择的有限的标记样本进行微调。我们提出的方法的优点是三方面的:1)网络可以有效地训练只有有限的标记样本的帮助下,新的主动学习策略; 2)网络是灵活的和可扩展的,足以跨各种传输情况下,包括跨数据集和图像内的功能; 3)所学习的深度联合频谱-空间特征表示比许多联合频谱-空间特征表示更通用和鲁棒。广泛的比较评估表明,我们提出的方法在三个流行的数据集上显着优于许多最先进的方法,包括传统的和基于深度网络的方法。
2019-04-04 cs.CV
HSI Image Enhancement Classification Based on Knowledge Distillation: A Study on Forgetting
School of Software Engineering, Henan Polytechnic University(河南工程学院软件学院)
本文提出基于教师模型的知识保留方法,通过增量类别样本缓解旧类别遗忘问题,并引入基于掩码的部分类别知识蒸馏算法,提升分类准确率。
2026-03-19 cs.AI cs.CV cs.LG
Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image
针对高光谱图像深度图聚类中结构利用、特征表示与图更新不足的问题,提出AHSGC,通过同质区域建图、自适应滤波编码、自训练聚类及同质性增强图更新,实现高精度、低复杂度且鲁棒的无标签聚类。
2025-01-07 cs.CV
Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification
SOA University(SOA大学);IIIT Allahabad(阿拉哈巴德印度国际信息技术学院)
针对高光谱图像分类中3-D CNN参数量大且难以学习层间信息的问题,提出结合3-D CNN、2-D CNN和Bi-LSTM的混合神经网络,在三个数据集上仅用30%参数即实现最高100%准确率。
2024-02-15 cs.CV eess.IV
Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification
Department of Geomatics Engineering, University of Calgary(卡尔加里大学地理信息工程系)
本文提出一种基于聚类标记的解混引导空间-光谱Mamba模型,通过设计新的光谱解混网络、高效的Top-K标记选择策略及改进的Mamba模块,提升超光谱图像分类性能,并通过多任务学习框架同时学习端成员-丰度模式和分类标签。
2026-04-10 cs.CV
Hyperspectral Image Classification Based on Faster Residual Multi-branch Spiking Neural Network
Henan University(河南大学);Henan Key Laboratory of Big Data Analysis and Processing(河南省大数据分析与处理重点实验室);School of Computer and Information Engineering, Henan University(河南大学计算机与信息工程学院);Department of Clinical Laboratory, Huaihe Hospital of Henan University(河南大学淮河医院检验科)
针对高光谱图像分类中脉冲神经网络时间步长过长的问题,提出基于LIF神经元和SWMR模块的SNN-SWMR网络,并设计AAD近似导数解决不可微问题,在六个数据集上实现时间步长减少84%,训练和测试时间分别减少63%和70%。
2024-09-18 cs.CV eess.IV
Dual-band feature selection for maturity classification of specialty crops by hyperspectral imaging
Lincoln Institute of Agri-food Technology(林肯农业食品技术学院);University of Lincoln(林肯大学)
针对高光谱作物成熟度分类数据量大、预处理繁琐的问题,提出基于色素与叶绿素双波段的峰谷反射率及对应波长的特征选择方法,在草莓、番茄数据集上准确率和推理速度均显著优于现有前沿方法。
2024-05-17 cs.CV
Comprehensive and Comparative Analysis between Transfer Learning and Custom Built VGG and CNN-SVM Models for Wildfire Detection
Carleton University(卡尔顿大学)
本文对比了迁移学习预训练模型与从头训练的定制VGG和CNN-SVM模型在复杂野火检测中的性能,通过准确率等指标全面评估了迁移学习的优缺点。
2024-11-12 cs.AI cs.CV
Comparative Evaluation of Traditional and Deep Learning Feature Matching Algorithms using Chandrayaan-2 Lunar Data
Manipal University Jaipur(斋浦尔马尼帕尔大学);Space Applications Centre ISRO(印度空间研究组织空间应用中心)
针对月球多传感器跨模态图像配准难题,评估了五种特征匹配算法并提出预处理流程,发现深度学习方法SuperGlue性能最优,验证了预处理与学习型方法对鲁棒月球图像配准的价值。
2025-09-05 cs.CV
Hardware Acceleration for Real-Time Wildfire Detection Onboard Drone Networks
Clemson University(克莱姆森大学)
本文针对无人机资源受限问题,研究基于 Jetson Nano P3450 和 TensorRT 的硬件加速方法,结合 QAT、AMP 等技术,在 FLAME 数据集上实现实时野火分类与分割,分类速度提升 13%,精度损失控制在 1.225% 以内。
2024-01-16 cs.AI cs.CV eess.IV