25、高光谱图像变化检测与牙齿显著性检测的深度学习方法

高光谱图像变化检测与牙齿显著性检测的深度学习方法

在遥感和医学影像领域，高光谱图像变化检测以及牙齿显著性检测都是具有重要意义的研究方向。前者有助于监测环境变化、城市发展等，后者则在牙科诊断中发挥着关键作用。下面将详细介绍这两个领域的相关研究方法和成果。

高光谱图像变化检测

在高光谱图像变化检测中，采用了基于深度特征提取（DFE）和主动学习（AL）的方法。

像素不确定性判断

分类器的输出用于确定每个像素的不确定性。伪类得分代表像素属于变化类别的概率。若伪类得分是 0，则像素属于变化类别的概率为 0，根据现有决策边界，该像素会被伪标记为未变化像素；若伪类得分是 1，则像素属于变化类别的概率为 1，会被伪标记为变化像素；若伪类得分是 0.5，则像素被伪标记为变化或未变化的概率相等。

像素的不确定性取决于其与决策边界的接近程度，决策边界以输出值 0.5 为特征。不确定性用 beta 分布函数建模：
[
U = \frac{O^{\alpha - 1}(1 - O)^{\beta - 1}}{B(\alpha, \beta)}
]
其中，(\alpha) 和 (\beta) 是形状参数，beta 函数 (B(\alpha, \beta)) 通常用 gamma 函数表示：
[
B(\alpha, \beta) = \frac{\Gamma(\alpha + \beta)}{\Gamma(\alpha)\Gamma(\beta)}
]
在本研究中，(\alpha) 和 (\beta) 的值都选为 2。这意味着当输出 (O) 接近 0 或 1 时，样本分别属于未变化或变化类