成长印记
0%

发表于 分类于

获取高质量影像的是一项挑战性的任务，原因是缺乏一个快速处理流程，来生成一个有准确地理信息的镶嵌图像，同时优化地面数据采集效果。

该方法估计高光谱条带的亮度，并将其与基于亮度rgb的正射影像图进行配准。该过程包括一种改进的协同配准策略，通过集成加速鲁棒特征(SURF)算法和最大似然估计样本一致性(MLESAC)方法。

阅读全文 »

发表于 分类于

在专利申请和写作时，需要检索现有的专利进行查新，或者学习现有的专利写作方式，而国家知识产权局的专利检索系统需要注册账号才能进行专利检索和下载，不太方便。这里介绍一种无需注册，更加方面的专利搜索和下载方法。

阅读全文 »

发表于 分类于

为了解决高光谱分类问题中带标签数据不足，数据标签采集困难的问题，本文提出了一种自适应Soft Label生成方法，同时提出了PCN网络结果和自适应蒸馏的网络训练方法和高光谱3D Transformation数据增强方法，联合多种方法，实现Few shot learning，最终结果显示能够通过5-10个样本，实现80%~90%的分类准确率

阅读全文 »

发表于 更新于 分类于

0. 基本信息

  • 引用信息

Y. Cai, X. Liu and Z. Cai, "BS-Nets: An End-to-End Framework for Band Selection of Hyperspectral Image," in IEEE Transactions on Geoscience and Remote Sensing, vol. 58, no. 3, pp. 1969-1984, March 2020, doi: 10.1109/TGRS.2019.2951433.

  • bibtex entry 
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    @article{Cai2020BSNet,
      author  = {Y. {Cai} and X. {Liu} and Z. {Cai}},
      journal = {IEEE Transactions on Geoscience and Remote Sensing},
      title   = {BS-Nets: An End-to-End Framework for Band Selection of Hyperspectral Image},
      year    = {2020},
      volume  = {58},
      number  = {3},
      pages   = {1969-1984},
      doi     = {10.1109/TGRS.2019.2951433}
    }

1. 相关基础知识

1.1 注意力机制（Attention Mechanism）

注意力机制是模拟人的行为，对于图像的不同部分有不同的注意力程度。具体的，可以用数学公式表达如下：

\[ a = f_\Theta(x) \]

其中\(a\)叫做基于参数\(\Theta\)使用注意力模块\(f\)生成的Attention map，通常\(f\)包含一个gation function来控制Attention map的尺度，如softmax函数。

具体的对于一个feature map \(z\)，应用注意力的方法也非常简单，直接将feature map与attention map逐元素相乘即可，即\(h = a \otimes z\).

对于高光谱图像而言，则由于其为三维数据立方体，则存在三种注意力机制：

  • 空间注意力（spatial attention）
  • 光谱注意力（spectral attention）
  • 空间-光谱联合注意力（spatial-spectral joint attention）

具体形式如下图所示： 高光谱图像的三种注意力机制

在波段选择任务中，本文希望学习得到一个波段的权重向量，能够显著的反映波段间的关系。那么从这个角度来看，波段选择也可以看作是一个光谱注意力模块。

阅读全文 »

发表于 更新于 分类于

0. 基本信息

  • 引用信息 > S. K. Roy, S. Das, T. Song and B. Chanda, "DARecNet-BS: Unsupervised Dual-Attention Reconstruction Network for Hyperspectral Band Selection," in IEEE Geoscience and Remote Sensing Letters, doi: 10.1109/LGRS.2020.3013235.

  • bibtex

1
2
3
4
5
6
7
8
9
10
@article{Roy2020DARECNETBS,
  author  = {S. K. {Roy} and S. {Das} and T. {Song} and B. {Chanda}},
  journal = {IEEE Geoscience and Remote Sensing Letters},
  title   = {DARecNet-BS: Unsupervised Dual-Attention Reconstruction Network for Hyperspectral Band Selection},
  year    = {2020},
  volume  = {},
  number  = {},
  pages   = {1-5},
  doi     = {10.1109/LGRS.2020.3013235}
}

1. 基本思想

同样将波段选择问题视为光谱重建问题，本文的创新在于不仅应用了波段注意力机制（channel attention module），还增加了位置注意力机制（position attention module），所以叫做Dual-Attention, 因此能够重建三位高光谱图像数据立方体。

总体流程图

阅读全文 »