Beschränkungen der datengesteuerten spektralen Rekonstruktion - Optik-bewusste Analyse und Minderung
Die derzeitigen Methoden zur spektralen Rekonstruktion aus RGB-Bildern sind nicht robust gegenüber leichten Variationen, wie z.B. Rauschpegel oder Kompression der RGB-Dateien. Ohne Modellierung unterrepräsentierter spektraler Inhalte sind bestehende Datensätze und die darauf trainierten Modelle in ihrer Fähigkeit, mit herausfordernden metameren Farben umzugehen, begrenzt.
Effiziente Klassifizierung komplexer Landbedeckung mit räumlich-spektraler zuverlässiger kontrastiver Graphen-Convolutional-Netzwerke
Das vorgeschlagene S2RC-GCN-Modell kombiniert räumliche und spektrale Merkmale effektiv, konstruiert robuste Graphen und verwendet zuverlässiges kontrastives Lernen, um die Klassifizierungsleistung für komplexe Fernerkundungsbilder zu verbessern.
Effiziente Implementierung der Hauptkomponentenanalyse auf Hochleistungscomputerarchitekturen zur Dimensionsreduktion hyperspektraler Daten: Ergebnisse und Vergleiche
Die Hauptkomponentenanalyse (PCA) ist ein leistungsfähiges Verfahren zur Dimensionsreduktion hyperspektraler Bilder, erfordert aber einen erheblichen Rechenaufwand. Diese Arbeit stellt die effiziente Implementierung des PCA-Algorithmus auf Hochleistungsplattformen wie GPUs und Manycores vor und vergleicht die Ergebnisse mit einer FPGA-basierten Implementierung.
Effiziente Hyperspektrale Datenerfassung mit LUM-ViT
Effiziente Datenerfassung durch LUM-ViT für hyperspektrale Bilder.
© 2024 by Linnk AI