XiaoMi-AI文件搜索系统
World File Search System光谱图
从越野设置中的长波高光谱图像
近年来，自主导航变得越来越流行。但是，大多数现有的方法在公路导航方面有效，并利用了主动传感器（例如LIDAR）。本文使用Passive传感器，特别是长波（LW）高光谱（HSI）的遍历性估计，重点介绍了自主越野导航。我们提出了一种方法，用于选择一部分高光谱带，该方法通过设计一个最小的传感器设计带选择模块，该模块设计一个最小的传感器，该模块设计了一个最小的传感器，该模块可以测量稀疏采样的光谱带，同时共同训练语义段网络网络，以进行遍历性估计。使用我们的LW HSI数据集在包括森林，沙漠，雪，池塘和开放式田野的各种越野场景中证明了我们方法的有效性。我们的数据集包括在各种天气条件下白天和夜间收集的图像，包括具有广泛障碍的具有挑战性的场景。使用我们的方法，我们学习了所有HSI频段中的一个小子集（2％），这些子频段可以在利用所有高光谱带时获得竞争性或更好的遍历性估计精度。仅使用5个频段，我们的方法能够实现平均类别的效果，该级别仅比使用完整的256波段HSI低1.3％，而仅比使用250频段HSI实现的效果仅比使用了0.1％，这证明了我们方法的成功。
深层：使用深度学习和公共多光谱图像促进大规模自动化树库存
Deeptrees项目提供了用于培训，微调和部署深度学习模型的工具，以使用德国的数字矫正图计划（DOP）以20 cm的分辨率从德国的数字矫正图计划（DOP）中使用公共访问的图像进行诸如Tree Crown分割，树状特征检测和树种分类。这些DOP图像是根据“ Amtliches popographis-kartographissches Informationssystems”（AKTIS）指南进行标准化的，以确保其长期使用的可靠性和一致性[2]。利用深层python软件包，我们成功地绘制了萨克森州（137,293,260棵树）和萨克森 - 安哈尔特（81,449,641棵树）的218,742,901棵树，展示了该工具在森林，Urban和乡村环境中的可伸缩性（图1）。这些数据集为市政当局和机构提供了宝贵的见解，以管理街道树木，监测城市绿化和评估森林健康，从而实现更明智的决策和可持续的管理实践。
用于高光谱图像分类的量子启发光谱空间金字塔网络
高光谱图像 (HSI) 分类旨在为每个像素分配一个唯一标签，以识别不同土地覆盖的类别。现有的 HSI 深度学习模型通常采用传统学习范式。作为新兴机器，量子计算机在嘈杂的中尺度量子 (NISQ) 时代受到限制。量子理论为设计深度学习模型提供了一种新的范式。受量子电路 (QC) 模型的启发，我们提出了一种受量子启发的光谱空间网络 (QSSN) 用于 HSI 特征提取。所提出的 QSSN 由相位预测模块 (PPM) 和受量子理论启发的类测量融合模块 (MFM) 组成，以动态融合光谱和空间信息。具体而言，QSSN 使用量子表示来表示 HSI 长方体，并使用 MFM 提取联合光谱空间特征。量子表示中使用了 HSI 长方体及其由 PPM 预测的相位。使用 QSSN 作为构建块，我们进一步提出了一种端到端的量子启发式光谱空间金字塔网络 (QSSPN)，用于 HSI 特征提取和分类。在这个金字塔框架中，QSSPN 通过级联 QSSN 块逐步学习特征表示，并使用 softmax 分类器进行分类。这是首次尝试将量子理论引入 HSI 处理模型设计。在三个 HSI 数据集上进行了大量实验，以验证所提出的 QSSPN 框架相对于最新方法的优越性。
盲目的高光谱和多光谱图像融合
光谱图像融合结合了低空间分辨率高光谱（HS）和低光谱 - 分辨率多光谱（MS）图像，以估计高分辨率（HR）光谱图像。尽管基于监督深度学习的最新融合技术显示出令人鼓舞的结果，但这些方法需要大量的培训数据集，涉及昂贵的获取成本和较长的培训时间。相比之下，基于深图像先验（DIP）方法的无监督的HS和MS图像融合为具有不同分布的图像的适应性提供了适应性。但是，现有的无监督方法依赖于线性降解模型的假设，并且需要对这些模型的精确知识才能获得最佳性能。为了克服这些挑战，我们提出了无监督的盲人HS和MS图像融合的中间输出深图像先验（MODIP）。Modip基于DIP模型，并在网络中的中间层产生融合图像。该体系结构包括两个高尺度的卷积发生器，它们从HS和MS输入中重建了HR光谱图像，以及两个网络，这些网络适当地降低了估计的HR图像，以匹配可用的MS和HS数据集，从而学习非线性降解模型。MODIP的网络参数是通过最小化所提出的复合损耗函数的共同和迭代调整的。重要的是，这种方法可以处理降解操作员未知或部分估计的方案。广泛的模拟表明，MODIP的表现优于其他基于模型的图像融合方法。为了评估MODIP的性能，我们在两个模拟光谱图像数据集（Pavia University和Salinas Valley）上测试了Fusion方法，以及通过光学实验室中的测试台实现获得的真实数据集。
使用UAV多光谱图像的葡萄园冠层检测的不同计算机视觉方法的比较
在葡萄栽培中，通过超高的空间分解图像快速而准确地获取了冠层光谱信息以进行决策支持。普遍的做法涉及使用从纯藤冠像素获得的光谱数据创建活力图。基于对象的图像分析（OBIA）在常规方法中表现出由于其特征提取的功能而在树冠分类中表现出合理的效率。近年来，深度学习（DL）技术在果园监测中表现出了巨大的潜力，并利用了它们自动学习图像特征的能力。这项研究评估了不同方法的性能，包括掩盖R-CNN，U-NET，OBIA和无监督方法，以识别纯冠类像素。比较了阴影和背景检测方法的有效性以及错误分类像素对NDVI的影响。将结果与2021年和2022年生长季节进行的农艺调查进行了比较，重点是两个不同的物候阶段（BBCH65-BBCH85）。蒙版R-CNN和U-NET在整体准确性（OA），F1得分和与联合（IOU）相交方面表现出卓越的性能。在OBIA方法中，高斯混合模型（GMM）被证明是冠层分割的最有效的分类器，并且支持向量机（SVM）也表现出合理的稳定性。相反，随机森林（RF）和K-均值的准确性和较高的错误率产生了较低的误差率。由于准确性有限，因此在葡萄园行高的葡萄园排被高估了，而对于高活力的檐篷，NDVI被低估了。可显着提高确定系数，以进行总叶面积（TLA）与源自蒙版R-CNN和U-NET得出的NDVI数据之间的比较。还发现了来自GMM和SVM算法的NDVI数据的正相关性。关于叶叶绿素（CHL）和NDVI相关性，蒙版R-CNN和U-NET方法显示出较高的性能。此外，TLA和投影冠层区域（PCA）之间的关系得到了U-NET和Mask R-CNN的明显代表，而不建议使用PCA来估计叶绿素含量。这项调查确定，改善了葡萄树冠划界的贡献，可改善葡萄园活力监测，为葡萄酒生长提供了更准确，更可靠的农艺信息，以进行管理决策。
AI-HyperCal：使用人工智能已知点识别进行场景内高光谱图像校准
2016 年末，阿勒颇东部落入俄罗斯支持的叙利亚军队手中，朝鲜再次开始加强核试验，遥控飞机 (RPA) 袭击次数最多的一年也结束了。所有这些飞行小时数带来了空中情报、监视和侦察 (ISR) 的上升，导致硬盘溢出，其中包含数百万小时的视频和无数高分辨率静态图像，这些图像被上传到美国空军分布式通用地面系统。1 然而，如果没有图像分析师的处理、利用和分发 (PED)，所有这些数据都毫无意义。PED 确保图像质量高，并且感兴趣的对象具有位置、材料、大小和背景特征。周围的机构时间表、其他物体的位置和人员流动都可能影响最终的情报评估。
具有高空间的宽带高光谱图像传感器...
高光谱成像提供高维空间光谱信息，揭示了内在物质特征1 - 5。在这里，我们报告了具有高空间和时间分辨率的片上计算高光谱成像框架。通过在图像传感器芯片上整合不同的宽带调制材料，目标光谱信息是非均匀且本质上与每个像素上与明亮吞吐量的。使用智能重建算法，可以从每个帧中恢复多通道图像，从而实现实时高光谱成像。在这样的框架之后，我们第一次使用光刻志上制造了宽带Vis-nir（400-1700 nm）高光谱成像传感器，平均光通量为74.8％和96个波长通道。证明的分辨率为124 fps的1,024×1,024像素。我们证明了其广泛的应用，包括用于智能农业，血液氧和水质监测的叶绿素和糖定量，用于人类健康，Tex-Tile分类和工业自动化的苹果瘀伤检测以及用于天文学的远程月球检测。集成的高压图像传感器仅称重数十克，并且可以在各种资源有限的平台上组装，也可以配备了OB-the Shelf Optical Systems。该技术改变了高维的挑战
多光谱图像分析和理解（MSIAU ...
计算机视觉中心（CVC）的多光谱图像分析和理解（MSIAU）有两个开放位置，适用于启动计算机视觉掌握硕士（MCV）的学生。学生将加入MSIAU集团，从事与多光谱图像处理和融合有关的项目，在以下情况下：卫星成像，农业群落行业，土地覆盖分析等。由于要应用的方法与MCV中研究的方法相关，因此有可能将本工作合同期间完成的部分工作用于主论文。
使用基于实验室的高光谱图像和机器学习来区分开花蓝细菌：在环境范围内对有毒物种的验证
蓝细菌是内陆水域藻类开花的主要因素，威胁生态系统功能和用水的用途，尤其是在产生毒素的菌株占主导地位时。在这里，我们检查了140个高光谱（HS）图像，这些代表的五个代表，可能是毒素产生和盛开的属属微囊藻，浮游生物，浮游生物，阿法尼兹瘤，菊花菌，菊花菌和dolichospermum，以确定可见和近距离散布的潜在的（以/nirir的范围）的潜在。培养物在各种光和营养条件下生长，以诱导各种色素和光谱变异性，模仿自然环境中可能发现的变化。重要的是，我们假设了一个简化的方案，其中所有光谱变异性均来自蓝细菌。在整个蓝细菌生命周期中，获得了多个HS图像以及叶绿素A和植物蛋白酶的提取。图像，并使用K-均值算法提取来自感兴趣区域的平均光谱。使用七种方法对光谱数据进行了处理，以随后整合到随机森林模型中，其性能通过训练，验证和测试集的不同指标进行了评估。使用第一或第二个衍生物以及光谱平滑的成功分类率接近90％，并确定VIS和NIR中的重要波长。微囊孢子和Chrysosporum是达到最高精度（> 95％）的属，其次是浮游生物（79％），最后是Dolichospermum和Aphanizomenon（> 50％）。HS图像对
基于高光谱图像和叶绿素含量的苹果镶嵌性疾病严重程度的定量评估
摘要：苹果镶嵌病毒（APMV）的感染会严重损害苹果叶的细胞结构，从而导致叶叶绿素含量（LCC）降低和果实产量降低。在这项研究中，我们提出了一种新的方法，该方法利用高光谱成像（HSI）技术来无损地监测APMV感染的苹果叶子，并预测LCC作为疾病严重程度的定量指标。LCC数据是从360个APMV感染的叶片中收集的，并使用竞争性自适应重新加权采样算法选择最佳波长。基于增强和堆叠策略构建了高精度LCC倒置模型，其验证集R 2 V为0.9644，表现优于传统的集合学习模型。该模型用于反转LCC分布图像，并计算每个叶子的LCC变异（CV）的平均和系数。我们的发现表明LCC的平均和简历与疾病的严重程度高度相关，并且与敏感波长的结合使疾病严重程度的准确鉴定（验证集合集合= 98.89％）。我们的方法考虑了植物化学成分的作用，并在叶片尺度上对疾病严重程度进行了全面评估。总体而言，我们的研究提出了一种有效的方法来监测和评估苹果叶的健康状况，提供了可以帮助疾病严重程度的量化指数，可以帮助预防和控制疾病。