关于将深度学习方法适应超光谱成像的分析. 关于WEEE回收和数据集的使用案例
Artzai Picon1, Pablo Galan2, Arantza Bereciartua-Perez2
1TECNALIA, Basque Research and Technology Alliance (BRTA), Parque Tecnológico de Bizkaia, C/ Geldo. Edificio 700, E-48160, Derio - Bizkaia, Spain; University of the Basque Country, Plaza Torres Quevedo, 48013 Bilbao, Spain.
概括
对于高光谱图像细分的深度学习可以通过组合光谱和空间数据来改进. 优化性能和能源效率的模型需要仔细的特征选择和适应的基础模型.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 遥感 遥感 遥感 遥感
背景情况:
- 深度学习主导着高光谱图像分析,但架构往往缺乏严格的光谱空间信息集成.
- 当前的方法可能会忽视模型性能,能源消耗和推断速度之间的权衡.
研究的目的:
- 评估光谱和空间特征对超光谱图像细分的深度学习的影响.
- 评估性能,能源使用和推断时间的架构配置.
- 研究将RGB基础模型的学习转移到超谱域.
主要方法:
- 开发和评估了各种各样的深度学习架构,具有不同的光谱和空间特征组合.
- 测量识别性能,能源消耗和推断速度.
- 测试了预先训练的RGB图像基础模型对超光谱数据的可转移性.
主要成果:
- 整合空间特征与光谱数据显著提高了细分性能.
- 并非所有的光谱波长都对最佳的性能-能源权衡至关重要,从而使高效的模型成为可能.
- 转移RGB基础模型会产生低于最佳的性能,更高的能量使用,以及更长的推断时间.
结论:
- 优化高光谱图像分割需要平衡光谱和空间信息以提高效率.
- 新型架构和适应的基础模型是有效的高光谱深度学习所需的.
- 为了推进废弃电子设备分析研究,Tecnalia WEEE高光谱数据集被发布.
