Effiziente Verarbeitung und Analyse von Hyperspektralbildern durch Multi-Level-Graph-Subspace-Kontrastives Lernen für die Bildclusterung
Ein Subspace-Clustering-Rahmenwerk basierend auf Multi-Level-Graph-Kontrastivem Lernen (MLGSC) wird vorgeschlagen, um die komplexe Topologie von Hyperspektralbildern effizient zu nutzen und robuste Graph-Einbettungen zu erhalten.
Ein universelles wissensbasiertes kontrastives Lernframework für die Klassifizierung von Hyperspektralbildern
Das vorgeschlagene KnowCL-Framework kann die Leistung der Klassifizierung von Hyperspektralbildern in überwachten, unüberwachten und semi-überwachten Szenarien deutlich verbessern, indem es die Vorteile des kontrastiven Lernens und des überwachten Lernens kombiniert.
Hocheffizientes Lernen von Merkmalen für die Klassifizierung von Hyperspektralbildern mit bidirektionalen Zustandsräumen
Das HSIMamba-Modell kombiniert die operative Effizienz von CNNs mit der dynamischen Merkmalextraktionsfähigkeit von Aufmerksamkeitsmechanismen, um die Klassifizierungsgenauigkeit von Hyperspektralbildern zu verbessern und gleichzeitig die Recheneffizienz zu erhöhen.
Effiziente tiefenbasierte verlustfreie und verlustbehaftete prädiktive Codierung von Hyperspektralbildern mit zeilenbasierter Aufmerksamkeit
Eine neuartige prädiktive neuronale Netzwerkarchitektur namens LineRWKV, die rekursiv zeilenweise arbeitet, um den Speicherverbrauch zu begrenzen und gleichzeitig die Darstellungskraft von Transformern mit der linearen Komplexität und der rekursiven Implementierung von rekurrenten neuronalen Netzwerken zu kombinieren, übertrifft erstmals einen Deep-Learning-Ansatz die Leistung des CCSDS-123.0-B-2-Standards bei verlustfreier und verlustbehafteter Kompression.
© 2024 by Linnk AI