WiMi Hologram Cloud Inc. heeft aangekondigd dat het de RandomPatchSpatialSpectrumClassifier (RPSSC)-technologie heeft ontwikkeld om de complementariteit tussen ruimtelijke en spectrale informatie volledig te benutten. De R&D van WiMi's RPSSC combineert een 2D Gabor-filter en een random patch convolutie (GRPC) kenmerkextractiemethode. Eerst gebruikt de RPSSC principale componentenanalyse (PCA) en LDA-algoritmen om het originele hyperspectrale beeld te downscalen.

Het doel van deze stap is om overbodige spectrale informatie te elimineren terwijl de belangrijkste informatie behouden blijft, de inter- en intra-klasse afstandsverhoudingen te vergroten en de gegevens voor te bereiden op latere kenmerkextractie en classificatie. Op het gedimensioneerde beeld introduceert RPSSC een tweedimensionaal Gaborfilter. Gaborfilters worden veel gebruikt op het gebied van computer vision om ruimtelijke structuurkenmerken zoals randen en texturen van afbeeldingen te extraheren.

Door middel van het Gabor-filter kan de RPSSC-technologie de lokale textuur en ruimtelijke informatie in het beeld vastleggen, wat de basis legt voor de daaropvolgende extractie van kenmerken. Vervolgens wordt de GRPC-methode toegepast op de RPSSC, die Gabor-kenmerken als invoer neemt. Random patch convolutie realiseert de extractie van spectrale kenmerken op meerdere niveaus uit een afbeelding door willekeurig vlakken in de afbeelding te selecteren en convolutiebewerkingen op deze vlakken uit te voeren.

Deze stap is bedoeld om ruimtelijke en spectrale informatie samen te voegen, waardoor het model de kenmerken van het beeld beter kan begrijpen. Tot slot combineert de RPSSC-technologie de ruimtelijke kenmerken van de GRPC met de spectrale kenmerken op meerdere niveaus. Door dit fusieproces kan het model de spectrale informatie en lokale ruimtelijke structuurinformatie samenvoegen om een rijkere weergave van kenmerken voor beeldclassificatie te bieden.

Uiteindelijk gebruikt RPSSC een SVM-klassificator (Support Vector Machine) om de samengevoegde kenmerken te classificeren en zo een nauwkeurige classificatie van hyperspectrale beelden te verkrijgen. GRPC-eigenschapsextractie bestaat uit meerdere lagen en elke laag bevat de volgende stappen: PCA: PCA wordt uitgevoerd op willekeurig geselecteerde patches om spectrale kenmerken te extraheren. Witten: De geëxtraheerde spectrale kenmerken worden gewit om overbodige informatie te verminderen.

Willekeurige projectie: De gewitte kenmerken worden geprojecteerd naar een lagere dimensionale ruimte door willekeurige projectie. Convolutionele kenmerkextractie: Convolutionele bewerking wordt uitgevoerd in de gereduceerde dimensionale ruimte om spectrale kenmerken op meerdere niveaus te extraheren. De RPSSC-technologie van WiMi heeft meerdere technische voordelen bij het realiseren van het uitgebreide gebruik van spectrale en ruimtelijke kenmerken van hyperspectrale beelden.

De classificatienauwkeurigheid wordt verbeterd, de complexiteit van het model wordt verminderd en de informatie van hyperspectrale beelden wordt volledig benut om effectievere oplossingen voor praktische toepassingen te bieden. De technische voordelen van WiMi's RPSSC zijn als volgt: Eenvoudige structuur en uitstekende prestaties: RPSSC maakt gebruik van GRPC, dat een relatief eenvoudige structuur heeft, maar uitstekende prestaties in experimenten laat zien. Deze eenvoudige structuur maakt het model gemakkelijker te begrijpen en te optimaliseren, en vermindert de implementatiekosten in echte toepassingen.

Volledig gebruik van ruimtelijke en spectrale kenmerken: RPSSC maakt volledig gebruik van ruimtelijke en spectrale kenmerken in hyperspectrale beelden door 2D Gaborfilters en GRPC-methoden te combineren. Dit gecombineerde gebruik verbetert niet alleen de classificatienauwkeurigheid, maar onthult ook het belang van ruimtelijke structuurkenmerken die in traditionele methoden vaak worden verwaarloosd. Goed aanpassingsvermogen: De RPSSC-technologie presteert goed bij het overwinnen van de peperruis en het overmatige afvlakkingsfenomeen bij de classificatie van hyperspectrale beelden, is toepasbaar op een groot aantal scenario's in de echte wereld en bereikt nog steeds een hoge classificatienauwkeurigheid, zelfs met een beperkt aantal trainingssamples.

Dit is belangrijk voor het omgaan met onregelmatige omgevingen en onvolledige gegevens in praktische toepassingen. Stapelen van ruimtelijke en spectrale kenmerken: RPSSC realiseert het effectief stapelen van ruimtelijke en spectrale kenmerken, waardoor het model hyperspectrale beelden uitgebreider kan begrijpen. Dit uitgebreide gebruik verbetert niet alleen de classificatienauwkeurigheid, maar verbetert ook het inzicht van het model in de interne structuur van het beeld, wat een sterke ondersteuning biedt voor een meer gedetailleerde classificatie.

Toepasbaar bij beperkte trainingssamples: RPSSC kan nog steeds een hoge classificatienauwkeurigheid bereiken met beperkte trainingssamples. Dit voordeel is vooral belangrijk in echte toepassingen omdat het in sommige domeinen moeilijk kan zijn om op grote schaal gelabelde gegevens te verkrijgen, en de hoge efficiëntie van RPSSC maakt het geschikt voor deze uitdagende scenario's. Effectief overwinnen van over-smoothing: In hyperspectrale beeldverwerking leidt over-smoothing vaak tot verlies van informatie en beïnvloedt het de classificatienauwkeurigheid. Dit wordt door RPSSC overwonnen door het gecombineerde gebruik van ruimtelijke en spectrale informatie, waardoor de nauwkeurigheid van de beeldverwerking wordt verbeterd.

WiMi's RPSSC heeft een breed scala aan toepassingen op het gebied van hyperspectrale beeldclassificatie, en de RPSSC-technologie kan worden toegepast op hyperspectrale remote sensing-beelden die door satellieten en vliegtuigen zijn verzameld voor het categoriseren van landbedekking, het onderzoeken van hulpbronnen en milieumonitoring. Het kan bijvoorbeeld landbouwgrond, bossen, wateren, enz. nauwkeurig classificeren en het efficiënte beheer van natuurlijke hulpbronnen realiseren. Op het gebied van landbouw kan RPSSC-technologie worden gebruikt voor classificatie van gewastypes, detectie van ziekten en bodemanalyse.

Door hyperspectrale beelden nauwkeurig te classificeren, kan het boeren helpen om de landbouwproductie te optimaliseren. Ondertussen kan de RPSSC-technologie van WiMi worden gebruikt voor milieumonitoring, waaronder stadsplanning, monitoring van waterkwaliteit en monitoring van vegetatiebedekking. Door de uitgebreide analyse van hyperspectrale beelden kunnen watervervuiling en ecosysteemveranderingen beter worden gecontroleerd.