Войти
аналитика - 초분광 영상 분류
신뢰할 수 있는 초분광 영상 분류를 위한 공간 인식 등각 예측
본 논문에서는 딥러닝 기반 초분광 영상 분류에서 예측의 불확실성을 정량화하기 위해 공간 정보를 활용한 등각 예측 프레임워크(SACP)를 제안합니다.
고차원 초분광 영상 분류를 위한 게이트-시프트-퓨전 메커니즘을 활용한 새로운 CNN-트랜스포머 접근법
제안된 모델은 CNN 블록을 통한 지역 특징 추출과 트랜스포머 블록을 통한 장거리 문맥 모델링을 결합하여 초분광 영상 분류 성능을 향상시킨다.
고속 잔여 다중 분기 스파이킹 신경망 기반 초분광 영상 분류
제안된 SNN-SWMR 네트워크는 기존 SNN 기반 초분광 영상 분류 알고리즘보다 시간 단계, 학습 시간, 테스트 시간이 크게 단축되면서도 동일한 정확도를 달성할 수 있다.
초분광 영상 분류를 위한 비연속 샘플 간 트랜스포머 융합
본 연구는 3D Swin Transformer와 Spatial-Spectral Transformer의 주목 기반 융합을 통해 초분광 영상 분류 성능을 크게 향상시킨다. 이 융합 접근법은 공간적 및 분광적 정보 모델링을 개선하여 보다 정확하고 신뢰할 수 있는 분류 결과를 달성한다.
초고속 초분광 영상 분류를 위한 양방향 상태 공간 기반의 효율적인 특징 학습 모델 HSIMamba
HSIMamba는 양방향 역전파 합성곱 신경망 경로를 사용하여 스펙트럼 특징을 더욱 효율적으로 추출하고, 공간 분석을 위한 전용 블록을 통합하여 초분광 영상 분류 정확도를 향상시킨다.
Продукты
© 2024 by Linnk AI