Pocas imágenes hiperespectrales de clasificación basadas en residuos convolucionales y redes siamesas SAM
Autores: Xia, Mengen; Yuan, Guowu; Yang, Lingyu; Xia, Kunming; Ren, Ying; Shi, Zhiliang; Zhou, Hao
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Pocas imágenes hiperespectrales de clasificación basadas en residuos convolucionales y redes siamesas SAM
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Desarrollo
Aprendizaje de pocas muestras
Clasificación de imágenes hiperespectrales
CRSSNet
Residuos convolucionales
Redes Siamesas SAM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 54
Citaciones: Sin citaciones
Con el desarrollo del aprendizaje de pocas muestras, se ha logrado un progreso significativo en la clasificación de imágenes hiperespectrales utilizando redes relacionadas, lo que ha llevado a una mejora en los resultados de clasificación.
Descripción
Con el desarrollo del aprendizaje de pocas muestras, se ha logrado un progreso significativo en la clasificación de imágenes hiperespectrales utilizando redes relacionadas, lo que ha llevado a una mejora en los resultados de clasificación.