.png){kind=icon}
返回
HyperFast: a spectral-spatial guided filtering framework for efficient UAV-borne hyperspectral crop classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-025-06857-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前高光谱成像方法面临重大挑战：深度学习方法虽然准确，但需要昂贵的计算资源和大规模训练数据集，而传统方法在复杂农业景观中往往难以保证精度。为克服这些局限性，我们提出了HyperFast，这是一个高效且稳健的框架，专门针对高分辨率机载无人机高光谱图像进行设计，聚焦于精准作物监测。HyperFast通过一种新颖的混合方法整合光谱和空间特征，该方法结合了引导滤波（GF）用于预处理与边缘保持滤波（EPF）用于后处理。在其核心，随机森林（RF）分类器在计算效率与分类精度之间取得平衡，有效减少像素级误分类的同时保留关键对象边界。与需要GPU加速的深度学习方法不同，HyperFast能在标准CPU上实现快速高光谱数据处理，使其非常适合部署在边缘计算设备上，用于精准农业中的现场分析和实时决策支持。在三个高分辨率高光谱数据集上的广泛评估表明，HyperFast持续优于当前最先进的深度学习模型。HyperFast实现了99.94%、99.89%和99.92%的总体精度，同时将处理时间缩短至仅9～21秒（在CPU上）——相比之下，基于CNN的方法在GPU上需要数分钟或数小时。这些结果凸显了HyperFast作为实用、可扩展且资源高效解决方案的潜力，尤其适用于资源受限环境下的实时农业监测。
Keyword:
Remote sensing
UAV hyperspectral imagery
High-resolution HSI
Guided filtering
Spatial-spectral filtering
Random forest
Precision agriculture
Crop detection
HSI classification
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
Deep Pyramidal Residual Networks for Spectral-Spatial Hyperspectral Image Classification用于光谱-空间高光谱图像分类的深度金字塔残差网络
OAAI
OAAI分享收藏分享收藏Spectral Spatial Hyperspectrallmage Classification With K-Nearest Neighbor and Guided Filter.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容