PulseAugur
中
实时 07:48:06
English(EN) LegoQ: Density-Matrix Representation Learning with Spectral-Spatial State Transitions for Hyperspectral Classification

LegoQ框架使用密度矩阵学习进行高光谱图像分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的高光谱图像分类框架LegoQ，该框架利用密度矩阵表示学习。该方法将光谱带映射到矩阵状态，然后通过光谱、空间和组间跃迁来更新这些状态。该方法提供样本级诊断，如特征谱、熵和纯度，提供了传统基于向量的方法无法提供的样本不确定性洞察。在Indian Pines数据集上的实验达到了96.20% ± 0.70%的总体准确率，在WHU-Hi-LongKou数据集上，最佳结果达到了97.52%的总体准确率。 AI

影响 这项研究为高光谱图像分类引入了一个新颖的表示学习框架，有望提高复杂数据集的准确性和可解释性。

排序理由 该集群包含一篇详细介绍高光谱图像分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LegoQ框架使用密度矩阵学习进行高光谱图像分类

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Weijia Cao, Xiaofei Yang, Fu Wang, Yicong Zhou, Xiang Zhou ·

    LegoQ：基于谱空间状态跃迁的密度矩阵表示学习用于高光谱分类

    arXiv:2607.28970v1 Announce Type: new Abstract: Hyperspectral image classification is complicated by mixed pixels, spectral ambiguity, class imbalance, and limited annotations. Most current classifiers encode a pixel or patch as a deterministic vector and apply a linear or multil…

相关话题