遥感图像

新人如附件

【论文阅读】Spectral–Spatial Attention Network for Hyperspectral Image Classification1、论文 2、源码卷积神经网络（CNN）和循环神经网络（RNN）等许多深度学习模型已成功应用于提取高光谱任务的深层特征。高光谱图像分类允许利用其丰富的信息来区分土地覆被的特征。在人类视觉系统注意力机制的激励下，本研究提出了一种用于高光谱图像分类的光谱-空间注意力网络。在我们的方法中，具有注意力的RNN可以学习连续光谱内的内光谱相关性，而具有注意力的CNN旨在关注空间维度上相邻像素之间的显着特征和空间相关性。实验结果表明，该方法能够充分利用光谱和空间信息获得有竞争力的性能。

这可就有点麻烦了

特征融合与特征交互的区别遥感系列第14篇。遥感图像处理方向的学习者可以参考或者复刻本文初编辑于2024年4月18日CSDN：https://blog.csdn.net/rvdgdsva

这可就有点麻烦了

【Pavia】遥感图像数据集下载地址和读取数据集代码遥感系列第13篇。遥感图像处理方向的学习者可以参考或者复刻本文初编辑于2024年3月28日CSDN：https://blog.csdn.net/rvdgdsva

小郭同学要努力

【Bidomain建模范式：Pansharpening】（泛锐化的Bidomain建模范式）泛锐化是一个具有挑战性的低层次视觉任务，其目的是学习光谱信息和空间细节之间的互补表示。尽管取得了显着的进步，现有的基于深度神经网络（DNN）的泛锐化算法仍然面临着共同的局限性。1)这些方法很少考虑不同光谱带的局部特异性; 2）它们通常在空间域中提取全局细节，这忽略了与任务相关的退化，例如，MS图像的下采样过程中，也受到有限的感受野。在这项工作中，我们提出了一种新的bidomain建模范式pansharpening问题（称为BiMPan），它既考虑到局部光谱特异性和全局空

小郭同学要努力

【RGB-HMS：先验驱动：超分】（PRINET：先验驱动的光谱超分辨网络）光谱超分辨率是指直接从RGB图像重建高光谱图像。近年来，卷积网络已经成功地用于这一任务。然而，很少有人考虑到高光谱图像的具体属性。在本文中，我们试图设计一个超分辨率网络，名为PriNET，基于两个先验知识的高光谱图像。第一个是谱相关。根据这一性质，我们设计了一个分解网络来重建高光谱图像。在该网络中，高光谱图像的整个光谱波段被分成几组，并提出了多个残差网络分别重建它们。第二个知识是高光谱图像应该能够生成其对应的RGB图像。受此启发，我们设计了一个自监督网络来微调分解

小郭同学要努力

【零参考GAN:Pansharpening】（用于多光谱和全色图像融合的零参考GAN）本文提出了一种融合低空间分辨率多光谱(LR MS)和高空间分辨率全色(PAN)图像的新的全色锐化方法–零参考生成对抗网络(ZeRGAN)。在该方法中，零参考表示它不需要使用成对的缩小尺度图像或未成对的全尺度图像进行训练。为了得到准确的融合结果，我们在一组多尺度生成器和它们对应的鉴别器之间建立了一个对抗性博弈。通过多尺度生成器，融合的高空间分辨率MS（HRMS）图像逐步从LR MS和PAN图像产生，而鉴别器的目的是区分HRMS图像和PAN图像之间的空间信息的差异。换