基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现.pdf下载

weixin_39820535 2021-10-06 19:49:16

基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现.pdf , 相关下载链接：https://download.csdn.net/download/jiebing2020/24602120?utm_source=bbsseo

...全文

14 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

基于虚拟背景光谱Hausdorff距离的高光谱异常检测及GPU实现.pdf

相比仅使用UNet或SwinUNet的弱监督框架，Weak-Mamba-UNet在多个评估指标上表现出色，例如平均Dice系数提升了约2%~3%，Hausdorff距离降低了约50%，平均表面距离降低了约50%。例如，在红外乳腺图像数据集上，DC-UNet的分割准确率比U-Net提高了2.90%，比MultiResUNet提高了1.20%。通过加权损失函数改善了细胞分割中接触物体的分离效果，例如在ISBI细胞跟踪挑战中，U-Net的平均交并比（IOU）达到92.03%，显著优于第二名的83%。

PointNet：用于 3D 分类和分割的点集的深度学习 PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 正在上传…重新上传取消 Abstract 点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将此类数据转换为规则的 3D 体素网格或图像集合。但是，这会使数据变得不必要地庞大(voluminous)并导致问题。在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重

这个问题其实触及了信号处理的根本矛盾：平滑 vs. 保边。均值滤波就像是个“和事佬”，把所有人拉平；但只要有一个人特别吵（比如椒盐噪声里的白点），整个群体就被带偏。中位数则像个冷静的仲裁者，只关心“中间那个人是谁”——哪怕两边吵翻天，只要多数人稳定，它就不动如山。举个直观例子：某3×3窗口内像素值为：其中255 是由传感器故障导致的异常高亮点计算一下：- 均值 =(总和)/9 ≈ 117.8- 排序后序列：→ 中位数 =101。

本文提出了一种基于法向量投影的深度学习模型NormalView，用于激光扫描点云的树种分类。该方法将局部几何信息通过法向量估计嵌入二维投影，作为YOLOv11网络的输入。实验表明，在高密度移动激光扫描数据（7个树种）上，NormalView分类准确率达95.5%，优于基于强度信息的模型；在机载激光扫描数据（9个树种）上，使用多光谱强度信息的模型表现最佳（准确率92.5%）。研究证实，当基于投影的方法结合几何信息与先进图像分类网络时，可获得优异结果，且不依赖特定传感器。本文公开了包含7个树种的高质量MLS数据

下载资源悬赏专区

13,654

社区成员

12,578,483

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章