學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73890

Browse

Has files: YesSubject: search.filters.subject.Hyperspectral Image

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    用於高光譜和多光譜影像融合的知識蒸餾師生網路
    (2023) 倪至謙; Ni, Chih-Chien
    近年來隨著太空探索的技術進步，太空遙測與感知領域變得越來越熱門。因為高解析度的高光譜影像在光譜帶上擁有更多的訊息，這些訊息對於遙測領域應用有很大的幫助，然而直接獲取高解析度高光譜影像會對硬體造成巨大的負擔。因此替代的方式是取得相同條件下的高解析度多光譜影像與低解析度高光譜影像，藉由此兩種影像的融合來獲得高解析度的高光譜影像。在本論文中，先是使用成對的高光譜和多光譜影像資料訓練一個較複雜的網路生成高解析度的多光譜影像和低解析度的高光譜影像融合結果，使用具有卷積感受野重複運用的RFRM模塊提取光譜訊息，再與多光譜影像擁有的空間信息融合生成最終結果。接著為了降低網路的大小，引入知識蒸餾的教師–學生架構建構一個小型的學生模型，讓學生模型去學習教師模型的特徵和資料集的訊息，進而達到效能與教師差距不大、但在速度以及模型複雜度上都優於教師模型的多光譜高光譜融合模型。經實驗顯示我們的蒸餾效果在影像融合成效上有很好的結果，並且在運行速度上相較教師網路快了近1.5倍，參數量則減少為原本的0.54倍。
  • No Thumbnail Available
    Item
    基於 SwinTransformer 及深度學習網路之高光譜影像融合
    (2023) 李沃晏; Li, Wo-Yen
    高光譜影像(Hyperspectral Image)以及多光譜影像(Multispectral Image)融合常被用來解決高光譜影像問題，旨在融合低解析度高光譜影像(LRHSI)以及高解析度多光譜影像(HRMSI)，是目前最常見的方法之一，通常高光譜影像的空間解析度較低，且直接取得高解析度之高光譜影像具有高昂的成本，而透過融合獲取高解析度高光譜影像是一種經濟實惠的方法。在影像處理領域融合方法是一種關鍵技術，因為高解析高光譜影像很好的促進了遠程材料辨識及分類任務，從而在衛星遙感領域獲得很大的關注。在衛星遙感領域很少有人嘗試使用Transformer，而Transformer在很多高級視覺任務中表現出驚人的成果，在本文中，我們提出了處理HSI/MSI融合任務的網路模型，基於SwinTansformer以及深度卷積網路(DCNN)之融合網路，稱為SwinDFN，SwinDFN由兩個部分組成：1)傳統卷積神經網路對HSI以及MSI影像初步融合，其中引入了Depthwise卷積技術來更有效地結合 HSI 和 MSI 之間的光譜響應函數以及對網路參數量做壓縮，2)具有殘差結構的SwinTansformer特徵提取模塊，來對影像特徵做增強，所提出之方法實現了基於規模較小的網路達到較好的HSI/MSI融合性能。