Hyperspectral Image Classification
PulseAugur coverage of Hyperspectral Image Classification — every cluster mentioning Hyperspectral Image Classification across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的PNEC-Mamba框架提高了高光谱图像分类的准确性
研究人员推出了一种用于高光谱图像分类的新型框架PNEC-Mamba，该框架侧重于像素级别的证据可靠性校准。该方法通过建立动态类原型和像素-原型竞争机制来区分区分性证据和干扰信息。然后，该框架估计像素级别的可靠性，以选择性地校准不确定区域，并以全分辨率一致性精炼预测以保留空间细节。在基准数据集上的实验表明，PNEC-Mamba的性能优于现有的最先进方法。
-
新的BCG-Former模型提供帕累托最优的高光谱图像分类
研究人员开发了BCG-Former，这是一种新颖的CNN-Transformer混合模型，专为高效的高光谱图像分类而设计。该模型优先考虑准确性和计算效率，使其适用于无人机等资源受限的平台。BCG-Former引入了三项关键创新：用于自适应光谱重新校准的带上下文门控（Band-Contextual Gating），用于整合光谱和空间特征的光谱摘要令牌（spectral summary token），以及一种高效的联合表示学习方法。在多个…
-
DAPGNet 通过物理引导图扩散推进高光谱图像分类
研究人员开发了 DAPGNet，这是一种用于高光谱图像分类的新型图扩散网络。该网络将物理引导先验集成到其图学习过程中，增强了像素关系的建模。DAPGNet 构建了一个考虑光谱空间亲和力、物理先验一致性和空间距离的拓扑结构，并使用物理门在图聚合特征和投影物理先验特征之间进行插值。在基准数据集上的实验表明，DAPGNet 的性能优于现有的 CNN、Transformer、Mamba 和基于图的方法，在准确性指标上显示出显著的改进。
-
MBTI框架利用基础模型增强高光谱图像分类
研究人员开发了MBTI，一个用于微调高光谱基础模型以进行图像分类任务的新颖框架。该方法通过保留全波段光谱信息，解决了在不同传感器波段配置下模型适应性方面的挑战。MBTI采用多分支预处理策略，为每个分支配备低秩适配（LoRA）模块，从而在冻结大部分预训练参数的同时实现任务特定的特征学习。在公共数据集上的实验结果表明，MBTI以显著少量的可训练参数实现了具有竞争力的性能。
-
新的CNN-Transformer网络增强了高光谱图像分类
研究人员开发了一种新的网络架构，该架构协同地结合了卷积神经网络（CNN）和Transformer来对高光谱图像（HSI）进行分类。这种方法旨在改进空间和光谱特征的提取与融合，这对于准确地对HSI数据中的像素进行分类至关重要。所提出的方法包括一个用于全面特征捕获的双分支特征提取模块和一个用于全局光谱分析的级联Transformer编码器，以及一个最小化信息丢失的跨层特征融合模块。