Joint Weighted Schatten- <i>p</i> Norm and Spatial Smoothness Regularization for Hyperspectral and Multispectral Image Fusion With Spectral Variability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hyperspectral (HS) and multispectral (MS) images’ fusion aims to improve their spatial resolutions and circumvent the main limitation of HS sensors. However, existing HS–MS fusion methods account for spectral variability fail to consider the global spectral correlation. To overcome this problem, this letter presents a novel joint weighted Schatten-p norm and spatial smoothness regularization for HS–MS fusion account for both spatial and spectral changes. First, the relationship between the spectral variability and the spectral signatures is formulated as an explicit parametric model. Second, to preserve the inherent correlation among the bands, we design a weighted Schatten-p (<inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$ 0\lt p\lt 1 $ </tex-math></inline-formula>) norm regularization method, which considers the importance of different components. Third, a spatial smoothness regularization term is exploited to reconstruct the spatial details. Finally, an iterative procedure based on the framework of alternating direction method of multipliers (ADMM) is designed to solve the resulting optimization problem. Extensive experiments on both synthetic and real datasets demonstrate that the proposed method outperforms six state-of-the-art methods from visual and quantitative assessments. The datasets and results are released in <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">http://github.com/phan1007/WSGS</uri>.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle