Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jun 21, 2025

Visualizing Visual Adaptation
04:43

Visualizing Visual Adaptation

Published on: April 24, 2017

8.9K

无监督的适应学习,用于真实多平台的高光谱图像去除.

Zhaozhi Luo, Xinyu Wang, Petri Pellikka

    IEEE transactions on cybernetics
    |July 11, 2024
    PubMed
    概括
    此摘要是机器生成的。

    相关概念视频

    您也可能阅读

    相关文章

    通过共同作者、期刊和引用图与本文相关的文章。

    排序
    Same author

    Heterophil-to-lymphocyte ratio varies with habitat fragmentation and canopy cover in a tropical understory insectivore.

    Journal of ornithology·2026
    Same author

    Forest Degradation and Weather Jointly Affect Early-Life Development in a Tropical Understory Bird.

    Global change biology·2026
    Same author

    Loss of tropical moist broadleaf forest has turned Africa's forests from a carbon sink into a source.

    Scientific reports·2025
    Same author

    Habitat degradation relates to reduced immune function in nestlings, but not adults, of a tropical forest bird.

    Die Naturwissenschaften·2025
    Same author

    Assessing land use changes and agricultural practices in highland valley-bottom wetlands in Taita Hills, Kenya.

    Journal of environmental management·2025
    Same author

    Comparative analysis of global urban land surface phenology between the MODIS and VIIRS products and extraction methods.

    Journal of environmental management·2025

    本研究引入了一个无监督适应学习 (UAL) 超光谱消噪网络 (UALHDN),以有效地消除超光谱图像 (HSI) 的噪声. UALHDN框架通过学习深度先验并保持背景一致性而提高图像质量,而无需手动输入.

    科学领域:

    • 遥感 遥感 遥感 遥感
    • 图像处理 图像处理
    • 人工智能的人工智能

    背景情况:

    • 真实超光谱图像 (HSI) 受到严重的噪声影响,限制了它们的实际应用.
    • 现有的转移学习方法用于超光谱无色化通常依赖于图像先验,并且无法保存背景细节.
    • 目前的超频谱无声化技术在各种数据集和噪声类型中难以通用.

    研究的目的:

    • 提出基于无监督适应学习 (UAL) 的超频谱消噪网络 (UALHDN),以改善HSI降噪.
    • 开发一个框架,学习一般的图像先验,并将其调整为真正的HSI,同时保持背景的一致性.
    • 解决现有方法的局限性,消除了手工制作的先验的需要,并提高了模型的通用性.

    主要方法:

    • 引入了一个UALHDN框架,其中包含一个空间频谱残余分辨器,一个全球建模分辨器和一个超频谱离散表示学习方案.
    • 在合成噪音清洁HSI对上预先训练了denoiser和discriminator.
    • 微调了在真实多平台HSI上的denoiser,使用无监督的空间-光谱和背景一致性损失,以及用于语义特征提取的离散表示学习.

    主要成果:

    • 与现实世界HSI上最先进的方法相比,UALHDN框架显示出更优异的揭露性能.
    • 实验验证实了该框架在各种平台 (无人机,空中,太空) 和传感器 (包括火星数据) 的各种数据集中的适用性和通用性.

    更多相关视频

    Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
    07:05

    Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters

    Published on: June 18, 2021

    2.4K
    Multimodal Optical Imaging Platform for Studying Cellular Metabolism
    04:47

    Multimodal Optical Imaging Platform for Studying Cellular Metabolism

    Published on: June 6, 2025

    177

    相关实验视频

    Last Updated: Jun 21, 2025

    Visualizing Visual Adaptation
    04:43

    Visualizing Visual Adaptation

    Published on: April 24, 2017

    8.9K
    Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters
    07:05

    Applying Hyperspectral Reflectance Imaging to Investigate the Palettes and the Techniques of Painters

    Published on: June 18, 2021

    2.4K
    Multimodal Optical Imaging Platform for Studying Cellular Metabolism
    04:47

    Multimodal Optical Imaging Platform for Studying Cellular Metabolism

    Published on: June 6, 2025

    177
  • 无监督的适应方法有效地学习了真正的HSI特有的深度先验,提高了消除噪声的效果,同时保持了图像保真.

    • 结论:

    • 拟议的UALHDN提供了一个强大的和有效的解决方案,用于超光谱图像 denoising,克服了以前方法的局限性.
    • 无监督的适应学习是高光谱图像处理的有前途的策略,可以实现高保真无手动先验.
    • UALHDN框架显示了各种应用程序的巨大潜力,这些应用程序需要在不同的采集平台上清洁的超频谱数据.