高光谱深度学习调研

最新推荐文章于 2025-01-08 18:54:49 发布
最新推荐文章于 2025-01-08 18:54:49 发布
阅读量1.1k 收藏 21
点赞数 35
文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/leyouBaloy/article/details/143802476
版权

综述

高光谱深度学习只有小综述，没有大综述。小综述里面场景分类、目标检测的综述比较多。

Wang C, Liu B, Liu L, et al. A review of deep learning used in the hyperspectral image analysis for agriculture[J]. Artificial Intelligence Review, 2021, 54(7): 5205-5253. 被引208

Moharram M A, Sundaram D M. Land use and land cover classification with hyperspectral data: A comprehensive review of methods, challenges and future directions[J]. Neurocomputing, 2023, 536: 90-113. 被引61

Audebert N, Le Saux B, Lefèvre S. Deep learning for classification of hyperspectral data: A comparative review[J]. IEEE geoscience and remote sensing magazine, 2019, 7(2): 159-173. 被引608

Chen B, Liu L, Zou Z, et al. Target detection in hyperspectral remote sensing image: Current status and challenges[J]. Remote Sensing, 2023, 15(13): 3223.被引22

高光谱场景分类

最低0.47元/天 解锁文章
iamBailey
关注
深度网络学习调研报告
阿黄啦啦
12-10 1万+
深度网络学习调研报告   目  录 1.前言............................................... 3 1.1课题研究的背景及意义.......................... 3 1.2国内外研究的现状.............................. 3 1.3本报告的基本内容.
基于高光谱影像的农作物检测应用简介
热门推荐
kydianzizyk的博客
10-06 1万+
基于高光谱影像的农作物检测应用简介  随着科学技术的发展，现代农业正在朝着更加规模化的方向发展。在传统的小规模农业种植中，管理者凭借经验和肉眼获得的信息即可快速判断农作物的生长状况并迅速采取有效的措施。然而，对于现代化的大规模的作物种植，采用传统的方式很难全面实时掌握作物的生长状况。大规模的作物种植要求管理者具有快速实时获得作物生长状况的能力和科学的管理机制。通过高光谱仪实现对大规
Deep Learning Meets Hyperspectral Image Analysis: A Multidisciplinary 参考文献翻译
hello！
01-08 1393
赖, J.H., 刘, C.L., 陈, X., 周, J., 谭, T., 郑, N., 章, H., 编;弗利特, D., 帕杰拉, T., 舍勒, B., 图特拉尔斯, T., 编;桑切斯, C.I. 医学图像分析中深度学习的综述. 医学图像分析, 2017, 42, 60–88. [CrossRef]金, S.J. 使用日常数码相机的 DIY 超光谱成像. 在《2016 IEEE 计算机视觉与模式识别会议论文集》中, 美国内华达州拉斯维加斯, 2016 年 6 月 27–30 日;
DeepSpectroscopy:深度学习光谱
05-18
深度光谱 深度学习光谱 通过深度学习分析频谱。 介绍 近年来，深度学习已在广泛的研究领域中引起越来越多的关注。 但是，据我们所知，在光谱学领域还没有深度学习的应用。 因此，我想举一个例子来说明如何使用深度学习对光谱数据进行定性和定量分析。 我们使用激光诱导击穿光谱法（LIBS）来说明整个过程。 光谱文件的组织方式为： 数据/ 1 /1 /2 /3 ... 数据/ 2 /1 /2 /3 ... 数据/ 3 /1 /2 /3 ... 数据/ 4 /1 /2 /3 ... 共有四类样本，分别与子文件夹1、2、3和4相对应。 用法 要求 软件 Tensorflow的要求（请参阅：Tensorflow） Python软件包：numpy，csv，matplotlib 仅在Ubuntu 16.04，带有TensorFlow 1.5.0的Python 2.
Deep Learning for Classification of Hyperspectral Data: A Comparative Review
likyoo的博客
01-06 1257
Deep Learning for Classification of Hyperspectral Data: A Comparative Review INTRODUCTION 由于大多数高光谱传感器的空间分辨率较低，因此为计算机视觉而设计的深度学习技术不容易转移到高光谱数据中，因为在大多数情况下，光谱维度胜过空间信息。与光学图像相比，数据的volume相似，而结构完全不同。此外，低空间分辨率实际上限制了可用于训练统计模型的样本数量。 这也增加了监督学习中所需的注释过程的难度，因为混合像元的存在。为了将深
gas_retrieval_with_deep_learning:“通过深度学习在光谱学中检索气体浓度”的模型实现
03-20
通过深度学习在光谱学中检索气体浓度 田林波，孙佳晨，张军，夏金宝，张志峰，Alexandre A. Kolomenskii，汉斯·舒斯勒，张ler 该存储库提供补充材料，包括： 代码 load data.py-将数据从xlxs文件加载到pkl。 I / O例程 模型Implementation.py-在Keras中实现的深度神经网络（1D-CNN＆DMLP）。 Pre-training.py-预训练模型的说明 transfer-learning.py-为预训练的模型实施转移学习的说明。 数据集 目前，我们尚未决定如何提升大容量数据集的水平。与编辑协商后将确认。
深度学习阅读导航 | 05 基于光照感知深度神经网络的多光谱数据融合行人检测
不积跬步，无以至千里！
11-09 5450
深度学习必读系列，全天候目标检测！
Deep Learning-Based Classification of Hyperspectral Data
08-05
我们通过遵循基于经典光谱信息的分类来验证堆叠自动编码器的合格性。其次，提出了一种新的空间主导信息分类方法。然后，我们提出了一种新颖的深度学习框架来合并这两个特征，从中我们可以获得最高的分类准确性。该框架是主成分分析（PCA），深度学习架构和逻辑回归的混合体
深度学习在多标签遥感影像分类中应用的研究现状.pdf
08-18
文献调研显示，深度学习在多标签遥感影像分类的应用日益广泛。例如，Zeggada等人首次尝试将深度学习应用于无人机影像的多标签分类，采用GoogLeNet并调整Softmax为Sigmoid激活函数，适应多标签输出。Koda等人和...
基于深度学习的3D分割综述
whaosoft143ai的博客
11-04 1315
搬来个厉害的涉及RGB-D/点云/体素/多目 希望早点有时间能系统的学到用到~~~3D目标分割是计算机视觉中的一个基本且具有挑战性的问题，在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上，3D分割是用人工设计的特征和工程方法进行的，这些方法精度较差，也无法推广到大规模数据上。在2D计算机视觉巨大成功的推动下，深度学习技术最近也成为3D分割任务的首选。近年来已涌现出大量相关工作，并且已经在不同的基准数据集上进行了评估。
pytorch 高光谱图像分类
Vertira的博客
10-25 2438
pytorch 高光谱图像分类
论文阅读笔记Segmenting Hyperspectral Images Using Spectral-Spatial Convolutional Neural Networks
weixin_45055102的博客
12-06 254
Segmenting Hyperspectral Images Using Spectral-Spatial Convolutional Neural Networks With Training-Time Data Augmentation论文阅读 论文地址：https://arxiv.org/abs/1907.11935 基于训练时间数据增强的光谱空间卷积神经网络分割高光谱图像 摘要： 高光谱捕获了物体在大量光谱波长波段的特征，能够得到物体的细节信息，在本文中，提出了一个新的光谱-空间卷积神经网络，得益
高光谱图像处理，使其适用于深度学习任务
qq_45809323的博客
09-10 2579
高光谱图像的处理涉及从降维、归一化等基础步骤，到图像块切割、数据增强等操作，最终通过深度学习模型进行检测。选择适合的模型架构、输入格式和后处理方法可以有效提高高光谱图像在深度学习任务中的表现。
深度学习在高光谱数据分类中的应用
gitblog_00793的博客
09-02 510
深度学习在高光谱数据分类中的应用 deeplearn_hsiSource code for ``Deep Learning-Based Classification of Hyperspectral Data'' published at JSTAR项目地址:https://gitcode.com/gh_mirrors/de/deeplearn_hsi 项目介绍 deeplearn_hsi 是一...
Hyperspectral image classification using CNN with spectral and spatial features integration
qq_44577105的博客
08-16 534
基于光谱和空间特征融合的CNN高光谱图像分类 Abstract 高光谱图像分类是一项非常重要的任务，在遥感领域有着广泛的应用。近年来提出了许多方法。其中，基于卷积神经网络（CNN）的算法表现出更高的性能。但这些算法需要较高的计算能力和存储容量。提出了一种基于数据归一化和CNN的遥感高光谱图像分类方法。HSI数据首先通过保留完整信息来减少其标量值来标准化。然后，分别利用概率主成分分析（PPCA）和Gabor滤波提取光谱和空间信息。此外，光谱和空间信息被集成以形成融合特征。最后使用简单设计的CNN框架完成分类任
IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)中深度学习相关文章及研究方向总结
想到好名再改的博客
04-08 9780
本文旨在调研TGRS中所有与深度学习相关的文章，以投稿为导向，总结其研究方向规律等。文章来源为EI检索记录，选取2020到2023年期间录用的所有文章，约4000条记录。同时，考虑到可能有会议转投期刊，模型改进转投或相关较强等情况，本文也添加了这些文章。
18篇基于深度学习的遥感领域经典综述
阿木寺的博客
01-10 1164
全球情况不断变化的情形下，土地使用/土地覆盖动态变化评估对评价全球和区域生态系统的变化至关重要。大规模城市土地覆被分类是遥感领域的经典课题，它引导着城市基础设施规划、产业布局、资源管理等，是政策制定者的重点关注内容之一。 基于深度CNN的LULC谱分类器原理图随着深度学习技术的发展，各头部科技公司与互联网企业也越来越重视城市模型的建设与投入，将新技术与算法引入到这一经典研究课题中。这次我整理了1...
深度学习和高光谱图像分类
weixin_50557558的博客
11-24 9530
深度学习算法对高光谱图像进行分类的一些问题和方法。
基于深度学习的高光谱解混的实用方法和众多方法的比较
m0_61407792的博客
05-23 1563
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 系列文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的
论文 光谱土壤
最新发布
04-03
好的，我现在需要处理用户的查询，查找关于光谱分析和土壤特性的学术论文。...2. 基于深度学习的特征提取方法（如1D-CNN） 3. 微型光谱仪田间实时检测装置开发 4. 土壤光谱数据库建设与迁移学习应用
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值