m0_48364127的博客

贡献：1、 从线性重建的角度对所选波段和整个数据集之间的关系建模。利用CNP和引入降噪机制，就频谱相关性和噪声分布而言，可以更好地表征和解释HSI数据。2、 提出了一种高效的带子集搜索方法。3、 标记并发布一个新的名为Leaves的HSI数据集来进行测试。1与现有公共数据集相比，叶片具有更大的空间尺寸和更高的光谱维数。ONR算法目标函数：xj应该具有更高的概率与其邻域相关，而不是与其相距较远的概率。 因此，只有少数与xj相关的选定波段，并且大多数是其邻域。 在极端情况下，我们假设xj仅与它的两个

本文基本思想：其基本思想是有序地处理高光谱波段，然后自适应地将具有相似光谱特征的波段划分为一个子立方体。在每个子立方体中选取估计噪声最小的带作为代表。出发点：近年来，人们提出了许多基于聚类的波段选择方法，但大多数方法只考虑了波段之间的冗余，忽略了所选波段子集的信息量。此外，这些算法从来没有考虑高光谱波段的有序。基于这两个事实，我们提出了一种新的基于自适应子空间划分策略的高光谱波段选择方法。主要贡献如下:提出了一种搜索不相关高光谱子立方体的ASPS。基于相邻波段具有高冗余的特点，利用聚类算法将有序的

Hyperspectral Band Selection Using Attention-Based Convolutional Neural Networks无监督的缺点：1、 在特征空间中选择最优维数是一个难点2、 波段相关性常常被忽视，导致数据冗余3、 当与其他波段结合时可能具有信息性的波段被删除4、 由于噪声波段与其他波段的相关性较低，因此常被标记为信息波段立足点：采用异常检测由于“重要波段”占少数，可以认为是“异常的”。在原始HSI所有波段中只有波段的一个(非常)小的子集传达重要的信

基于组套索的波段选择用于高光谱图像分类贡献：首先，是第一个介绍针对HSI的多标签土地覆被分类的频带选择问题的组套索算法的。其次，讨论了与HSIs特性相关的应用问题，并通过大量的实验和分析对性能进行了研究。基础：Lasso算法能够同时完成子集选择和线性回归的任务。原始套索算法：原lasso算法在普通最小二乘估计中引入了一个l1-范数惩罚项，如下所示，并使线性回归问题的解具有稀疏性，调整正则化参数λ以控制解的稀疏度。本算法的创新点：1、 用(负)对数似然函数替换最小二乘项外。GLBS算法被表述为

基于可变精度粗糙集的无监督波段选择方法用于高光谱图像分类摘要该方法利用VPRS定义了一种新的依赖度量。此外，依赖度量的定义使其对VPRS中参数参数的误分类程度变得不那么敏感。该方法首先使用所提出的依赖测度计算每对波段之间的相似性，然后从相似度值最大的波段中选择一个波段。在此基础上，提出了一种利用一阶增量搜索逐条选择信息频带的新准则。基本知识粗糙集理论中用于计算上、下近似的包含算子具有很大的局限性。它在处理数据集中的边界模式方面不够。变精度粗糙集(VPRS)通过放宽上、下逼近公式来缓解这一问题。它根据

Hyperspectral Band Selection A review当前的高光谱波段选择方法，该方法可以分为六个主要类别：基于排序，基于搜索，基于聚类，基于稀疏性，基于嵌入学习和基于混合方案。基于排序的方法根据预定义的频段优先级标准量化每个频谱带的重要性，并按排序的顺序选择排名靠前的频段。 根据是否使用标记的训练样本，基于排名的方法可以进一步分为两种类型，即无监督的和有监督的。无监督标准会考虑频段的信息，相异性或相关性。 例如，指标包括方差，一阶光谱导数，频谱比，对比度测量，信噪比（SNR），三

Scalable One-Pass Self-Representation Learning for Hyperspectral Band Selection创新点：1、设计了缓存矢量，因此可以保留样本子集之间的连续性。提出了一种有效的算法来求解非凸和非光滑的SOP-SRL模型。2、提出了一种可扩展的SRL，为每个样本的损失函数分配适当的权重，以强调样本中的差异。 此外，还添加了基于图的正则化项，以通过测量由选定频段构建的样本之间的局部相似性来增强频段的代表性。SRL With Band Selec

BS-Nets: An End-to-End Framework For Band Selection of Hyperspectral Image选用波段选择的原因：保留了包含在HSI中的主要物理属性，鲁棒性强。波段选择分为有监督和无监督：无监督又可分为基于排序和基于聚类。基于排序的无监督波段选择方法主要是根据某个度量准则来评价每个波段的重要性，如非高斯度，方差，互信息等；基于聚类的无监督波段选择方法以最小化类内的方差，最大化类间的方差为目标将波段分成不同的类，然后在每个类中选择出聚类中心作为最有代表