Goblinscholar

摘要： 在前面的内容里，我们已经介绍了 MF，并通过线性光谱混合模型解释了其中参数 \(\alpha\) 的物理含义。 与之前的 SAM 不同，MF 不再只是单纯比较光谱之间的几何角度，而是 利用背景协方差矩阵来建模背景统计特性，从而构造一个针对目标光谱的最优线性滤波器，使目标像素在输出中的响应尽可能大，而 阅读全文

摘要： 在上一篇中，我们介绍了 MF。在其推导过程中，我们对像素进行了如下建模： \[\mathbf{x} = \mathbf{a} \mathbf{s} + \mathbf{b} \]当时，我们解释这种建模可以分离目标信号和背景信号，直观来看，这个公式的逻辑就是： \[像素光谱=目标光谱+其他干扰 \]但 阅读全文

摘要： 在前面的几篇文章中，我们已经逐步介绍了高光谱图像分析中的一些基础方法，主要围绕 如何降低高光谱数据的维度 和 如何处理或抑制数据中的噪声 两个核心问题展开。 这些步骤本质上都是在为后续更高层的任务做准备，例如：地物分类、异常检测以及目标检测等。 在实际应用中，我们往往并不需要对整幅图像进行完整分类， 阅读全文

摘要： 在上一篇中，我们介绍了最小噪声分数变换 MNF，它在 PCA 基础上引入噪声建模的一种改进降维方法，但我们也提到了:MNF 依赖噪声估计，其效果很大程度依赖噪声协方差矩阵的估计，如果噪声估计不准确，降维效果可能明显下降。 换句话说，噪声估计的质量，直接决定了 MNF 的最终效果。 因此，如果希望在高 阅读全文

摘要： 在上一篇中，我们介绍了 PCA ，其通过寻找方差最大的方向来压缩数据维度，在保留主要信息结构的同时减少计算量。 同时，我们也提到，PCA 是数据分析和机器学习领域中一种通用的高维数据降维方法，高光谱成像只是它的一个典型应用场景。 但正如神经网络从最初的前馈网络逐渐发展出针对图像数据的卷积网络以及针对 阅读全文

摘要： 我们已经知道：高光谱图像的每一个像素，本质上是一个高维光谱向量，其波段数量可能达到上百维。 这固然提供了更多的信息，但于此同时也极大增加了计算量。 并且，结合实际生活，你会发现一个新的问题： 大量特征间的重要性并不等价。 举个例子：假设我们要区分三种动物：猫、狗和老虎。 现在我们为每只动物记录一系列 阅读全文

摘要： 在第一篇中我们已经提到：高光谱图像的每一个像素，本质上是一个高维光谱向量。 如果一个像素有 100 个波段，那么它就可以表示为： \[\mathbf{x} = (I_1, I_2, \dots, I_{100}) \]既然每个像素是一个向量，我们又知道了高光谱图像的经典应用就是识别物质，那么一个很自 阅读全文

摘要： 新分类关于高光谱成像，是近期的主要长篇内容。 1. 什么是高光谱图像？ 1.1 RGB 图像 在日常生活以及之前的 CV 相关内容里，我们演示使用的图像数据都是 RGB 图像，在之前的图像处理基础中我们也介绍过这一点。 再简单复述一下要点：大量出现在我们日常生活中的彩色图像基本都是 RGB 图像，这 阅读全文

摘要： 一点前言：之前完成了吴恩达深度学习的相关内容，最近忙于毕设，更新可能没之前那么频繁。这个新开的分类关于模型评估的各种指标的详解，之前翻看书籍总是被一堆很官方化的概念和密密麻麻的符号搞的看不下去，因此，这次的中心思想是以尽可能通俗的语言、精简的篇幅来讲解这类概念并辅以实例。 不多废话，以下为正文。 1 阅读全文

摘要： 课程 周数 类别 内容 课程一：神经网络和深度学习 第一周：深度学习简介 理论 （1）深度学习简介 实践 无 第二周：神经网络基础 理论 （1）回归基础 （2）分类与逻辑回归 （3）梯度下降法 （4）损失函数与传播 （5）向量化 （6）向量化的反向传播 实践 E & C 第三周：浅层神经网络 理论 阅读全文