修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

110 条数据
?? 中文（中国） ▾

  • 基于OPTICS算法的莫高窟壁画剥落程度无监督评估方法

    摘要： 近年来，莫高窟壁画的预防性保护与修复工作受到广泛关注。由于壁画存在脆弱易剥落的特点，有必要研究非接触式的病害检测与预防方法。本文提出一种无监督方法，可精准预测莫高窟壁画剥落病害程度。通过V10-PS高光谱相机获取壁画高光谱图像（HSI），该方法包含三个主要步骤：（1）分别采用主成分分析（PCA）和稀疏自编码器（SAE）提取高光谱图像的光谱特征；（2）基于密度聚类的排序点识别聚类结构（OPTICS）算法对提取的特征进行聚类；（3）计算特征空间中聚类核心点与其他点的距离并可视化最终分类结果。与现有高光谱分类研究不同，本文聚焦于壁画剥落程度的检测。由于剥落程度具有连续性且全程未使用任何监督信息，整个工作流程复杂且具有挑战性。实验结果验证了本方法的有效性。

    关键词： OPTICS算法、高光谱图像、莫高窟壁画、剥落程度评估、无监督方法

    更新于2025-09-10 09:29:36

  • [智能系统与计算进展] 机器学习与数据分析最新进展 第740卷（IC3 2018）|| 用于高光谱图像分类的改进卷积神经网络

    摘要： 分类是根据某些获取的属性为像素设置类别标签的过程。高光谱图像（HSI）具有极高的维度，这导致分析和分类它们的成本和复杂性更高，因为需要超快处理器和大容量存储设备。此外，由于训练样本和标注数据有限，分类仍然是一项艰巨的任务。迄今为止，已经提出了许多基于传统方法的高光谱图像分类方法，这些方法包括预先使用手工特征、主成分分析及其变体、决策树、随机森林、基于支持向量机的方法以及神经网络，但这些方法大多仅考虑光谱信息进行分类，导致分类精度较低。如今，高光谱图像空间分辨率的提高要求获取空间数据以进一步改善分类性能。因此，我们提出了一种分类方法，该方法使用卷积神经网络（CNN）模型获取光谱和空间特征，然后使用带有softmax激活函数的逻辑回归（LR）分类器来预测分类结果。我们将所提出的方法与考虑的技术进行了比较，并在印度松树和帕维亚大学等高光谱图像上进行了测试，结果表明在总体精度（OA）、平均精度（AA）和kappa系数（K）等参数方面表现更优。

    关键词： 分类，逻辑回归，折叠主成分分析，高光谱图像，卷积神经网络

    更新于2025-09-10 09:29:36

  • [2018年IEEE国际通信与计算技术进展会议(ICACCT) - 印度桑格纳尔(2018.2.8-2018.2.9)] 2018年国际通信与计算技术进展会议(ICACCT) - 高光谱图像异常检测的低秩稀疏表示方法

    摘要： 鉴于低秩特性和稀疏表征，本文提出一种高光谱图像异常检测新技术。该技术基于背景与异常数据的分离原理：采用背景字典近似表征每个像素的背景成分，利用低秩矩阵表示所有像素的系数，通过低秩诱导正则化项优化背景部分的系数表征以提升局部描述精度。同时为增强字典的稳定性和判别性，引入字典构建机制。基于残差矩阵响应确定异常成分。本算法兼具局部特征优势与高光谱图像处理特性，在模拟与真实数据集上的实验表明，该方法在异常检测方面具有最优性能与良好前景。

    关键词： 高光谱图像（HSI）检测、鲁棒主成分分析（RPCA）、低秩表示（LRR）与稀疏表示（SR）、异常识别、字典构建

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像分类的深度张量分解

    摘要： 高维光谱特征和有限的训练样本给高光谱图像（HSI）分类带来了一系列困难。特征提取是解决这一问题的有效方法。具体而言，张量分解优于主成分分析（PCA）和非负矩阵分解（NMF）等突出方法，因为它考虑了空间信息。近年来，深度学习因能高效提取各类任务的分层特征而备受关注。本文提出一种新颖的特征提取方法——深度张量分解（DTF），用于从观测到的HSI中提取分层且有意义的特征。该方法利用张量表示HSI的优势以及卷积神经网络（CNN）在分层特征提取方面的优点。具体来说，首先对HSI的光谱维度进行卷积操作以抑制噪声影响，然后将卷积后的HSI输入张量分解以学习数据的低秩表示，之后重复上述两个过程以学习HSI的分层表示。在两个真实高光谱数据集上的实验结果表明了所提方法的优越性。

    关键词： 高光谱图像（HSI）分类、特征提取、卷积神经网络（CNN）、张量分解

    更新于2025-09-10 09:29:36

  • 联合损失训练的卷积神经网络用于高光谱图像分类

    摘要： 本信提出了一种基于卷积神经网络的高光谱图像分类方法，该方法通过重建损失函数和判别损失函数联合训练。网络中采用小尺寸卷积核与池化算子级联实现特征抽象，并构建了由反卷积算子和反池化算子组成的解码通道。解码通道执行的非监督重建不仅为网络训练引入先验信息，还通过控制门增强所提取特征的判别能力。实验表明，该方法性能优于当前最先进的基于神经网络的分类方法。

    关键词： 控制门、无监督重建、卷积神经网络（CNN）、联合损失（JL）、高光谱图像（HSI）分类

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 多源多尺度高光谱成像对提升无损矿产勘探的必要性

    摘要： 我们后工业社会对原材料的高需求与发现新矿床的日益困难形成鲜明对比。在欧洲，易开采且高品位的矿床大多已枯竭或正在开采中。因此，未来的勘探必须聚焦于剩余的更偏远地区，或向地壳更深处挺进。维持欧洲的采矿活动不仅能推动关键技术发展，还能实现技术金属的可持续和道德生产。为此，我们建议重点研究基于多尺度、多传感器遥感的地球综合技术进展。研究尺度应涵盖卫星、航空及无人机系统，并包含地面验证环节。结合SAR与光学数据的多传感器降尺度方法尤其具有前景。我们证明，与其他传感器和/或测量手段（如地球物理/地球化学数据）以及非常规遥感特征（如纹理和几何形态）的整合具有重要价值。最终目标是提升欧洲原材料行业的竞争力、增长潜力、可持续性和吸引力。虽然我们聚焦当前具有战略重要性的原材料领域，但所需方法可推广至大多数环境研究。

    关键词： 分类、基于集成方法、矿产勘探、高光谱图像、遥感

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 一种用于高光谱分类的半监督学习双分支网络

    摘要： 为推动多源遥感数据融合与分析方法的发展，图像分析与数据融合技术委员会组织了2018年IEEE地球科学与遥感学会数据融合竞赛。针对多尺度特征学习、数据不平衡及小样本数据集三大问题，我们在竞赛中提出采用数据重采样策略与半监督学习的双分支卷积网络进行高光谱图像分类。竞赛结果表明：该方案在2018年IEEE GRSS数据融合竞赛提供的高光谱图像上，以77.39%的整体精度和0.76的卡帕系数取得了两项指标的最佳性能。

    关键词： 深度学习，高光谱图像，图像分类，半监督学习

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于主动学习的宽上下文残差网络用于遥感图像分类

    摘要： 本文提出了一种结合主动学习（AL）的宽上下文残差网络（WCRN），用于遥感图像（RSI）分类。尽管ResNet在各类应用（如RSI分类）中取得了显著成效，但其性能受限于对大量标注样本的需求。由于实际场景中获取类别标签既困难又昂贵，我们将提出的WCRN与AL相结合，通过利用最具信息量的训练样本来提升其泛化能力。具体而言，我们首先设计了一个适用于RSI分类的宽上下文残差网络，随后将其与AL集成，从而在有限训练样本条件下实现良好的机器泛化。帕维亚大学和弗莱福兰德数据集上的实验结果表明，所提出的WCRN与AL组合能显著降低样本需求量。

    关键词： SAR、残差网络、分类、高光谱图像、遥感、主动学习

    更新于2025-09-10 09:29:36

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于折叠PCA和JPEG2000的低复杂度高光谱图像压缩

    摘要： 基于主成分分析(PCA)和JPEG2000的高光谱图像压缩方法能在保留关键信息（如分类任务等后续应用）的同时提供优异的率失真性能。然而对于星载应用而言，由于需要对高维协方差矩阵进行特征分析，PCA存在计算复杂度高、内存需求大的问题。为此采用计算效率更高的折叠主成分分析(FPCA)进行降维，并与JPEG2000联合压缩。该方法通过将高光谱像素的光谱向量折叠为矩阵来计算协方差矩阵，从而大幅降低协方差矩阵维度，进而减少后续特征分析的计算复杂度和内存需求。实验结果表明，相较于传统PCA+JPEG2000方案，所提出的FPCA+JPEG2000压缩方法在率失真性能和解压后分类效果方面均具有更优表现。

    关键词： 主成分分析（PCA）、高光谱图像（HSI）、折叠主成分分析（FPCA）、压缩

    更新于2025-09-10 09:29:36

  • [IEEE 2018年第37届中国控制会议(CCC) - 武汉(2018.7.25-2018.7.27)] 2018年第37届中国控制会议(CCC) - 基于深度森林的高光谱图像分类

    摘要： 高光谱图像（HSI）分类是遥感技术领域的研究热点。近年来，卷积神经网络（CNN）在HSI分类中取得了显著成效。然而，CNN需要耗费大量时间进行参数调优，且训练过程依赖海量样本——而获取足量高光谱训练样本成本高昂。本文提出一种基于深度森林的新型分类方法：预处理阶段通过主成分分析（PCA）降低高光谱数据维度。与CNN相比，本方法超参数更少、训练速度更快。据我们所知，这是首批基于深度森林的高光谱光谱信息分类研究之一。通过在两个真实HSI数据集上的大量实验，证明所提方法显著优于现有先进技术。

    关键词： 深度神经网络（DNN），高光谱图像（HSI），主成分分析（PCA），深度森林

    更新于2025-09-10 09:29:36