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） ▾

  • 基于自适应信息论度量学习与局部约束的高光谱目标检测

    摘要： 高光谱图像（HSIs）凭借其高光谱分辨率，为目标检测提供了重要信息，在高光谱处理领域备受关注。然而，大多数经典目标检测方法可能仅在特定假设条件下表现良好。同时，使用有限数量的目标样本并保持判别信息也是高光谱目标检测中的挑战性问题。为克服这些缺陷，本文提出一种新型自适应信息论度量学习方法——带局部约束的信息论度量学习（ITML-ALC），用于高光谱目标检测。该方法首先采用信息论度量学习（ITML）作为目标函数，通过学习马氏距离来区分相似与不相似的点对，无需特定假设且需要调整的参数更少；随后应用自适应局部约束来缩小相似样本对间的距离，扩大不相似样本对间的距离；最终通过综合考虑阈值及度量学习前后距离的变化情况作出目标检测决策。实验结果表明，该方法能显著区分目标样本与背景样本，其性能优于现有最先进的目标检测算法及其他经典度量学习方法。

    关键词： 目标检测、高光谱图像、局部约束、度量学习

    更新于2025-09-10 09:29:36

  • [IEEE 2018国际机器学习与控制论会议(ICMLC) - 中国成都 (2018.7.15-2018.7.18)] 2018国际机器学习与控制论会议(ICMLC) - 基于三维保边滤波的高光谱图像谱-空稀疏子空间聚类方法

    摘要： 由于原始高光谱图像立方体的三维特性，三维光谱-空间滤波成为从高光谱图像中提取光谱和空间特征的有效方法。本文提出一种基于三维保边滤波的新型光谱-空间稀疏子空间聚类框架以提高高光谱图像聚类精度。首先通过经典SSC模型的稀疏表示过程获取初始稀疏系数矩阵，随后对该矩阵进行三维保边滤波以获得更精确的矩阵用于构建相似度图，最终通过谱聚类算法对相似度图处理实现高光谱数据聚类。该滤波矩阵不仅能捕捉光谱-空间特征，还可区分强度差异。实验结果表明：将所提三维保边滤波纳入SSC框架能有效提升聚类精度。

    关键词： 高光谱图像（HSIs）、稀疏子空间聚类（SSC）、三维保边滤波器（3-D EPFs）、强度差异

    更新于2025-09-10 09:29:36

  • [美国农业与生物工程师学会 2018年 底特律，密歇根州 2018年7月29日-8月1日 - ()] 2018年 底特律，密歇根州 2018年7月29日-8月1日 - 基于空-谱方法的高光谱成像番茄冲击损伤分类

    摘要： 番茄在采后过程中因各种跌落冲击导致品质劣变，需采用无损方法快速评估撞击损伤。高光谱图像通常具有多模态类别和模糊类别边界，利用高光谱图像进行空间自适应地物分类是精准分类领域的挑战性问题之一。由于高光谱图像包含众多目标对象，且每个对象具有不同光谱特征，其区分效率较低。本文提出一种新的空-谱融合方法，通过提取图像块特征并结合光谱特征实现果实品质分类。在光谱特征方面，提出基于均方误差曲线拟合与峰值特征匹配的番茄品质分类方法：分别从已知跌落损伤番茄光谱和未知样本光谱中提取峰值特征，通过多种相似性度量计算相似值，最终选取相似值最大的已知品质番茄对未知样本进行归类。最后，通过与偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)等方法对比，验证了所提方法的实用性与准确性。

    关键词： 番茄，质量分类，峰值特征匹配，图像块分析，高光谱图像

    更新于2025-09-09 09:28:46

  • 基于Beta过程先验的分层稀疏贝叶斯学习在高光谱图像复原中的应用

    摘要： 图像复原是提升视觉质量的重要领域，也为图像分析中精确的目标检测或地形分类奠定基础。本文将贝塔过程先验引入分层稀疏贝叶斯学习，用于恢复退化的原始高光谱图像（HSI），包括抑制各类噪声和推断缺失数据。该方法将高光谱图像分解为字典元素、高斯噪声项与稀疏噪声项的加权和，从而有效学习并表征高光谱图像的潜在信息与噪声特性。通过吉布斯采样器求解，可在无需调整任何参数的情况下高效预测原始字典与噪声。我们在两个受高斯噪声、脉冲噪声、条纹及坏像素线污染，或存在大量随机均匀缺失数据的高光谱数据集上，将该方法与现有最优技术进行对比验证。视觉与定量结果表明本方法具有显著优势。

    关键词： 修复、β过程、高光谱图像、分层稀疏贝叶斯学习

    更新于2025-09-09 09:28:46

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 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 - 基于成对约束与波段间相关性的高光谱波段选择

    摘要： 本文提出一种基于成对约束与波段间相关性信息的新型监督波段选择（BS）方法，用于高光谱图像降维。一方面，利用波段间相关性信息选取冗余度低、代表性高的波段子集：先将所有光谱波段划分为连续组群，再计算各组内波段相关性矩阵，据此筛选更具代表性与更低冗余度的波段。另一方面，通过挖掘成对监督信息（即标记样本对是否属于同类），自适应选择若干波段以增强类别区分能力——根据光谱相似性为每对标记样本适配波段，确保异类样本间距增大而同类样本对保持邻近。该方法联合运用成对约束信息与波段间相关性信息，最终实现低冗余、高表征、强判别性的最优波段子集选择。实验结果验证了所提方法的有效性。

    关键词： 波段选择，高光谱图像，成对约束，波段间相关性

    更新于2025-09-09 09:28:46

  • 基于极限学习机的高光谱图像分类快速主动学习方法

    摘要： 由于地球表面起伏不平且地形复杂，获取遥感数据的训练样本既耗时又昂贵。因此，设计一个尽可能少用标注样本并减少计算时间的模型极具价值。现有文献中已提出多种用于高光谱图像（HSI）分类的主动学习（AL）算法，但其计算时间性能尚未得到重点关注。本文提出了一种基于极限学习机（ELM）的主动学习方法，在保持分类精度的同时有效缩短了计算时间。通过对比该方案与当前最先进的主动学习算法在分类精度和计算时间两方面的表现，进一步验证了其有效性。我们在两个高光谱数据集上采用不同查询策略实施了基于ELM的主动学习（ELM-AL），该方案实现了高达90%的分类精度——与基于支持向量机（SVM）的主动学习（SVM-AL）方案相当，但将计算时间显著缩短了1000倍。由此可见，该系统在大幅降低计算时间的同时保持了足够的分类精度，展现出令人鼓舞的效果。

    关键词： 不确定性采样，遥感图像，极限学习机，分类，主动学习，不确定性度量，高光谱图像

    更新于2025-09-09 09:28:46

  • 基于人工蜂群算法的高光谱图像分类无监督波段选择

    摘要： 高光谱图像（HSI）拥有数百个狭窄且相邻的光谱波段，为区分各类地物覆盖类型提供了丰富信息。然而这些光谱波段通常包含大量冗余信息，会导致休斯现象并增加计算耗时。作为主流的降维技术，波段/特征选择对高光谱分类不可或缺。本文基于改进子空间分解（ISD）与人工蜂群算法（ABC），提出名为ISD-ABC的波段选择技术来解决高光谱分类中的降维问题。通过计算相邻波段间相关系数并结合高光谱光谱曲线的可视化结果实现子空间分解。首次应用人工蜂群算法，在ISD和最大熵（ME）的指导下优化所选波段的组合方案。利用选定的波段子集，采用五折交叉验证的支持向量机（SVM）进行高光谱分类。为评估方法有效性，在两个AVIRIS数据集（Indian Pines和Salinas）及一个ROSIS数据集（帕维亚大学）上开展实验，通过总体精度（OA）、平均精度（AA）和Kappa系数（KC）三项指标评估分类结果。实验证明，相比其他六种先进波段选择技术，本方法能获得更优的分类精度。

    关键词： 降维、波段选择、高光谱图像、人工蜂群算法、子空间分解

    更新于2025-09-09 09:28:46

  • 基于CRF嵌入的自监督特征学习用于高光谱图像分类

    摘要： 高光谱图像（HSI）分类的挑战在于存在噪声光谱信息以及像素间缺乏上下文信息?？悸堑礁吖馄淄枷裰醒窍袼?、像素和超像素这三个不同层次能提供互补信息，我们开发了一种新型高光谱图像特征学习网络（HSINet），通过自监督方式为高光谱图像分类学习一致性特征。HSINet包含一个三层深度神经网络和一个多特征卷积神经网络，可自动提取空间、光谱、颜色、边界等特征及上下文信息。为通过似然最大化提升自监督特征学习的性能，我们将条件随机?。–RF）框架嵌入HSINet。CRF中的一元、成对和高阶势项分别由对应的亚像素、像素和超像素构建。此外，这些项产生的反馈信息也被融合到不同层次的特征学习过程中，使得HSINet-CRF成为一个可通过反向传播算法训练的端到端深度学习模型。我们在三个广泛使用的高光谱数据集上进行了综合评估，结果表明本方法优于现有最先进技术。

    关键词： 自监督学习、特征学习、卷积神经网络（CNN）、条件随机?。–RF）、高光谱图像（HSI）分类

    更新于2025-09-09 09:28:46

  • [智能创新、系统与技术] 支持学习的信息系统与技术 第111卷（EMENA-ISTL 2018会议录）|| 基于归一化互信息和支持向量机的高光谱遥感图像波段选择与分类新滤波方法

    摘要： 波段选择是高光谱遥感图像（HSI）分类中极具挑战性的任务，这源于其高光谱分辨率、众多类别输出以及有限的训练样本数量。为此，本文提出一种新的滤波方法，利用信息论（归一化互信息）和支持向量机（SVM）实现高光谱图像的降维与分类。该方法通过从输入数据集中选取信息量最大且最具相关性的最小波段子集，从而提升分类效率。我们将所提算法应用于美国印第安纳州和萨利纳斯谷两个由NASA AVIRIS传感器获取的知名基准数据集，基于该领域广泛使用的多种评估指标对实验结果进行评价。与现有先进方法的对比证明，本方法能在较短时间内以较少选定波段数量获得优异性能。

    关键词： 支持向量机，分类，降维，波段选择，高光谱图像，归一化互信息

    更新于2025-09-09 09:28:46

  • [IEEE 2018年第十届国际模式识别协会遥感模式识别研讨会（PRRS）- 北京（2018年8月19日-2018年8月20日）] 2018年第十届IAPR遥感模式识别研讨会（PRRS）- 基于无监督图像到图像卷积神经网络的高光谱与激光雷达数据协同分类

    摘要： 当前，如何高效挖掘多源遥感数据中的有用信息以提升地球观测效果，已成为一个兼具研究价值与挑战性的问题。本文提出一种基于图像到图像卷积神经网络（CNN）的高光谱图像（HSI）与激光雷达（LIDAR）数据协同分类框架。该框架通过建立输入源（即HSI）到输出源（即LIDAR）的图像映射关系进行表征学习，所提取的特征预期兼具HSI与LIDAR数据的特性，并由深度CNN实现协同分类。在两个真实遥感数据集上的实验结果验证了该框架的有效性。

    关键词： 高光谱图像，卷积神经网络，数据融合，深度学习

    更新于2025-09-09 09:28:46