XiaoMi-AI文件搜索系统
World File Search System光谱信息
磁铁：用于有向图的神经网络
基于图的数据的流行刺激了图神经网络（GNN）和相关的机器学习算法的快速发展。然而，尽管许多数据集自然而然地按照指示图进行建模，包括引文，网站和交通网络，但本研究的绝大多数都集中在无向图上。在本文中，我们提出了磁铁，这是一个基于复杂的Hermitian基质的有向图的GNN，称为磁性拉普拉斯式。此矩阵在其相位中的条目的大小和方向信息中编码了无方向的几何结构。“电荷”参数将光谱信息与定向周期之间的变化变化。我们将网络应用于各种有向的图节点分类，并链接预测任务，显示磁铁在所有任务上都表现良好，并且其性能超过了大多数此类任务的所有其他方法。磁铁的基本原理可以使其适应其他GNN架构。
根据 SPOT-5 影像的面向对象分类绘制香蕉种植园地图
摘要 本研究的目的是开发和评估一种基于 SPOT-5 影像的面向对象香蕉种植园制图方法，并将这些结果与手动从高空间分辨率机载影像中划定的香蕉种植园进行比较。首先通过使用光谱和高程数据进行大规模空间制图来确定耕地。在耕地内，除了光谱信息外，还包括图像共现纹理测量和上下文关系，香蕉种植园与其他土地覆盖类别的分离增加。结果表明，需要 � 2.5 m 的像素大小才能准确识别香蕉种植园内的行结构，从而能够基于纹理信息与其他作物进行基于对象的分离。经过分类后视觉编辑后，用户和生产者绘制香蕉种植园的准确率分别从 73% 和 77% 提高到 94% 和 93%。结果表明，所使用的数据和处理技术为绘制香蕉植株和其他种植园作物的地图提供了一种可靠的方法。
学习视觉刺激诱发的脑电图流形，用于神经图像分类
视觉神经解码，即从大脑活动模式中解释外部视觉刺激的能力，是神经科学研究中的一项具有挑战性的任务。最近的研究集中于表征可以用群体级特征描述的多个神经元的活动模式。在本研究中，我们结合空间、光谱和时间特征来实现神经流形分类，该分类能够表征视觉感知并模拟人脑中的工作记忆活动。我们通过基于黎曼流形和二维 EEG 频谱图表示的自定义深度学习架构分别处理时空和光谱信息。此外，在查看 11 类（即全黑加 0-9 数字图像）MindBigData Visual MNIST 数据集时，使用基于 CNN 的分类模型对视觉刺激引起的 EEG 信号进行分类。在刺激引起的 EEG 信号分类任务上评估了所提出的集成策略的有效性，总体准确率达到 86%，与最先进的基准相当。
高光谱遥感
Space Borne高光谱传感器的最新进展进一步增强了我们观察地球环境的能力，但在数据分析和探索方面也引入了新的挑战。这些挑战需要创新的方法和方法论，以充分利用高光谱成像在环境监测和科学研究中的潜力。高光谱传感器，例如Aviris，Hydice，Hysi，Hymap，Hyperion以及最近，Aviris-NG和Prisma，在各种领域具有显着高级的研究和应用。这些传感器为大气表征，生态系统研究，水资源管理，矿产勘探，气候研究，雪和冰科水文，沿海环境监测，土地使用/土地覆盖分析，植被图和行星研究提供了宝贵的数据。由Space Borne Platforms捕获的高光谱图像捕获的详细光谱信息提供了独特的见解，使其非常适合定量资源映射和监视。随着高光谱技术的不断发展，预计它们的潜在应用将进一步扩展，从而推动多个学科的创新。
中红外单
超敏光谱是中红外（MIR）技术的重要组成部分。然而，miR探测器的缺点在单光子水平上对稳健的miR光谱构成了挑战。我们提出了miR单光子频率上转换光谱非局部将miR信息映射到时间do-main。来自自发参数下调的宽带miR光子频率向上转换为具有量子相关性保存的近红外带。通过纤维的组延迟，在1.18微米的带宽为2.76至3.94微米内的miR光谱信息被成功地投影到相关光子对的到达时间。在每秒6.4×10 6光子的条件下，使用单像素检测器证明了具有单光子敏感性的聚合物的传输光谱。开发方法绕过扫描和频率选择不稳定性，它在不断发展的环境中固有的兼容性和各种波长的可伸缩性而引人注目。由于其高灵敏度和鲁棒性，生化样品的表征和量子系统的弱测量值可能是预见的。
Mr-Papineni-Nikhil-30-Jun-2022.pdf
现有的发光成像技术通常使用单色摄像机来捕获空间分辨的强度信息。光谱信息需要光谱测量，通常缺乏空间分辨率，或者需要在整个测量区域进行扫描，需要长时间的测量持续时间（分钟或小时）。半导体材料，例如钙钛矿，可以用商用颜色摄像机来表征。在这项工作中，建立和研究了使用改良的商业颜色DSLR相机的增强发光成像设置，以同时在几秒钟内同时获得波长和强度信息。这可以补充现有的特征技术。波长估计。还进行了几个钙钛矿太阳能电池和薄膜样品的光致发光和电致发光成像。该技术被发现可以合理估计窄光谱发射（例如激光器）的波长，并且能够在空间和时间上显示波长的相对变化，以获得更广泛的光谱发射。这种具有成本效益的伪 - 光谱成像技术适用于由于降解和离子迁移而导致时变特性的钙钛矿。
人工生态系统中植物的高光谱分割
高光谱成像为分析人工生态系统中地上植物的特征提供了强大的工具，能够提供涵盖不同波长的丰富光谱信息。本研究提出了一种高效的高光谱数据分割和后续数据分析流程，通过使用稀疏混合尺度卷积神经网络集成，最大限度地减少了用户注释的需求。分割过程利用集成的多样性，以最少的标记数据实现高精度，从而减少了劳动密集型的注释工作。为了进一步增强稳健性，我们结合了图像对齐技术来解决数据集的空间变异性问题。下游分析侧重于利用分割数据处理光谱数据，从而实现植物健康状况的监测。该方法为光谱分割提供了一种可扩展的解决方案，并有助于在复杂受控环境中对植物状况进行切实可行的洞察。我们的研究结果证明了将先进的机器学习技术与高光谱分析相结合，可以实现高通量植物监测。
反射率校准，具有高光谱成像的归一化校正
摘要 - 末期，高光谱（HS）成像已成为通过联合获取空间和光谱信息来远程识别兴趣区域的强大工具。但是，就像在大多数成像技术中一样，数据采集期间可能会发生不良影响，例如噪声，光强度的变化，温度差异或光学变化。在HS成像中，可以使用反射校准阶段和光学过滤来减弱这些问题。然而，光学填充可能会引起某种失真，这可能会使后图像处理阶段复杂化。在这项工作中，我们提出了一项重新反映校准的新建议，该建议可以补偿在获得HS图像期间的光学变化。对具有特定光谱响应的各种材料的合成正方形的HS图像进行了评估。我们的提案结果使用K-均值算法的两次分类测试显示出高性能，其精度为97％和88％；与获得77％和64％精度的文献相比，与标准反射校准相比。这些结果说明了所提出的配方的性能增益，除了维持HS图像中的特征性特征外，还可以使结果反射到固定的下层和上限，从而避免了后校准后的归一步步骤。索引术语 - 光谱成像，光学滤波器，反射校准
XPS化学状态映射在光学和微电子中
摘要。XPS成像的强度在于它具有（i）在样品表面上找到小图案的能力，（ii）以微分辨率分辨率告知有关在表面检测到的元素的化学环境。在这种情况下，由于它们的可调性和可变性，基于锶的钙钛矿似乎对这种光发射实验进行了很好的适应。这些功能性氧化物在新兴的光电和微电源应用中具有巨大的潜力，尤其是对于透明的导电氧化物。图案化的异质结构Srtio 3 /srvo 3是使用脉冲激光沉积使用阴影掩模生长的。然后通过串行采集模式下的XPS映射分析此堆栈。Ti2p和V2P核心水平成像清楚地介绍了SRTIO 3和SRVO 3域。将广泛讨论SR3D核心水平的XPS映射：锶是两种具有非常相似化学环境的氧化物的共同元素。尽管SR3D图像中的对比度较低，但由于地形的影响，这两种材料还是可辨别的。添加，使用SR3D FWHM图像是证明这两个阶段的真正资产。最后，通过主成分分析进行数据处理使我们能够在锶原子上提取重要的光谱信息。
STARFM 与基于分解的 Landsat 和 MODIS 数据融合算法的比较
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法，即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法，该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外，两种算法的优势结合在一种新颖的数据融合方法中：空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射，同时保留 Landsat 图像中的空间模式，而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而，在模拟输入高分辨率图像很少的情况的实验中，基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳，因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明，STRUM 更适合需要类似 Landsat 表面反射的数据融合应用，例如间隙文件