高光谱图像的星载处理：深度学习进展、方法、挑战与新兴趋势
图像与视频处理
2024-04-11 v1
摘要
深度学习技术的最新进展激发了人们将其应用于高光谱图像处理的浓厚兴趣。本文全面回顾了该领域的最新进展，重点关注方法、挑战和新兴趋势。研究了卷积神经网络（CNNs）、自编码器、深度信念网络（DBNs）、生成对抗网络（GANs）和循环神经网络（RNNs）等深度学习架构在处理高光谱数据时的适用性。指出了关键挑战，包括有限的训练数据和计算限制，以及使用 GANs 进行数据增强和降噪等策略。本文讨论了不同网络架构的有效性，突出了轻量级 CNN 模型和 1D CNNs 在星载处理中的优势。此外，还探讨了硬件加速器，特别是现场可编程门阵列（FPGAs）在提高处理效率方面的潜力。综述最后提供了对当前研究趋势的见解，包括将深度学习技术集成到诸如 CHIME 任务等地球观测任务中，并强调需要进一步探索和改进深度学习方法，以满足高光谱图像处理不断发展的需求。
引用
@article{arxiv.2404.06526,
title = {Onboard Processing of Hyperspectral Imagery: Deep Learning Advancements, Methodologies, Challenges, and Emerging Trends},
author = {Nafiseh Ghasemi and Jon Alvarez Justo and Marco Celesti and Laurent Despoisse and Jens Nieke},
journal= {arXiv preprint arXiv:2404.06526},
year = {2024}
}
备注
Hyperspectral, Deep Learning, Neural Networks, Image Processing, Classification, Segmentation, Hardware Accelerators, CHIME Mission