Indian Pines
PulseAugur coverage of Indian Pines — every cluster mentioning Indian Pines across labs, papers, and developer communities, ranked by signal.
-
LegoQ框架使用密度矩阵学习进行高光谱图像分类
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。
-
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。
-
新框架提升高光谱图像分类效率
研究人员开发了几个用于高效高光谱图像分类的新框架，旨在降低计算成本并提高性能。SpectralTrain将课程学习与PCA集成以加快训练速度，而DE-CFFN使用因子分析和架构修改来实现数据效率。MixerSENet和SS-MixNet引入了带有混合器块和注意力机制的轻量级架构，以用更少的参数和更少的标记数据实现高精度。