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
posted @ 2026-02-06 18:22
哥布林学者
阅读(492)
评论(0)
推荐(0)
摘要：
在上一篇里，我们介绍了光谱重建的相关内容。这一类方法的核心问题是：当光谱信息缺失时，如何从“有限观测”中恢复完整光谱。 但在实际应用中，还还还存在另一类同样常见的情况： 我们并不是“没有数据”，而是“拥有多种不完整但彼此互补的数据”。 要解释这种情况，就需要先补充一点硬件知识： 在相机传感器中，一个 阅读全文
posted @ 2026-03-20 16:05
哥布林学者
阅读(127)
评论(0)
推荐(1)
摘要：
在前面的内容里，我们已经围绕高光谱数据的降维、检测与解混展开了很多方法。 这些方法其实都有一个共同点： 它们都假设光谱数据是“已知且完整”的。 但在实际应用中，这个假设往往并不成立。 例如传感器只能采集少量波段、成像设备成本或带宽受限、数据存在缺失或严重噪声或者仅有 RGB 图像，却希望获得高光谱信 阅读全文
posted @ 2026-03-19 15:20
哥布林学者
阅读(120)
评论(0)
推荐(1)
摘要：
在上一篇中，我们简单了解了提取端元光谱的基础方法，从而可以应用在我们前面介绍过的 MF 和 ACE 等经典高光谱目标检测方法中。这类方法的共同特点在于：需要预先给定目标光谱 \(\mathbf{s}\)，再通过不同的判别准则衡量像素与目标之间的匹配程度，从而实现目标检测，我们称之为目标检测算法。 但 阅读全文
posted @ 2026-03-18 16:35
哥布林学者
阅读(100)
评论(0)
推荐(0)
摘要：
在上一篇中，我们已经介绍了光谱解混的基本思想。光谱解混通常以 LMM 为基础模型，其一个像素的光谱被表示为多个端元光谱的线性组合： \[\mathbf{x} = \sum_{i=1}^{p} a_i \mathbf{s}_i + \mathbf{n} \]\(\mathbf{s}_i\) 就是第 \ 阅读全文
posted @ 2026-03-17 14:37
哥布林学者
阅读(75)
评论(0)
推荐(0)
摘要：
在之前的内容中，我们已经介绍了 LMM 的基本思想及其相关概念。根据这一模型，高光谱图像中每个像素的观测光谱都可以表示为若干端元光谱的线性组合。 而在此基础上，MF 和 ACE 这类高光谱目标检测算法，其实可以看作 LMM 的一种特殊应用形式。这类方法通过估计背景像素的统计特性，构建针对目标光谱的滤 阅读全文
posted @ 2026-03-16 08:36
哥布林学者
阅读(83)
评论(0)
推荐(0)
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
posted @ 2026-03-13 12:51
哥布林学者
阅读(99)
评论(0)
推荐(1)
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
posted @ 2026-03-12 15:13
哥布林学者
阅读(112)
评论(0)
推荐(0)
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
posted @ 2026-03-10 19:50
哥布林学者
阅读(96)
评论(0)
推荐(1)
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
posted @ 2026-03-09 14:46
哥布林学者
阅读(122)
评论(0)
推荐(1)
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
posted @ 2026-03-06 16:26
哥布林学者
阅读(149)
评论(0)
推荐(1)
浙公网安备 33010602011771号