HyperspectralViTs：面向板载遥感的通用高光谱模型
人工智能
2025-04-15 v3
摘要
使用机器学习模型进行高光谱数据板载处理将实现广泛任务的前所未有的自主性，例如甲烷检测或矿物识别。这可实现早期预警系统，并可实现自动化调度卫星星座等新能力。经典方法 suffer于高假阳性率，此前深度学习模型计算要求 prohibitive。我们提出快速且准确的机器学习架构，支持端到端训练，无需依赖手工特征或光谱带压缩预处理。我们在两个与高光谱数据处理相关的任务上评估了模型。通过所提出的通用架构，在新建合成数据集上将甲烷检测SOTA模型的F1分数提高27%，在先前发布的大型基准数据集上提高13%。我们还证明，在合成数据集上训练的模型通过在真实事件数据集上微调，相较于从零训练可提高6.9%的F1分数。在用于矿物识别的新建数据集上，我们的模型相较于模型默认版本提高了3.5%的F1分数。通过我们提出的模型，相较于经典和深度学习方法，推理速度提高85%，消除了对经典计算特征的依赖。在真实的ION-SCV 004卫星代理上的推理中，单次EMIT传感器捕获可在30秒内完成处理。
引用
@article{arxiv.2410.17248,
title = {HyperspectralViTs: General Hyperspectral Models for On-board Remote Sensing},
author = {Vít Růžička and Andrew Markham},
journal= {arXiv preprint arXiv:2410.17248},
year = {2025}
}
备注
14 pages, Accepted manuscript version, published version may differ in minor details and formatting