高光谱成像相关 AI 资讯 · AI 热点

8月13日

17:51

17:51

官方账号arXiv cs.AI@Kazi Nabiul Alam, Pooneh Bagheri Zadeh, Akbar Sheikh-Akbari

高光谱成像能非破坏性检测鱼肉储存期间的生化变化，但现有深度学习模型都需要大量逐日标注数据，难以逐产品获取。该论文提出首个用于高光谱食品质量估计的少样本学习框架：每片鱼肉构成一个独立的小样本任务，并用CORAL式序数回归头建模鲜度随时间的等级变化。在16天鲑鱼高光谱数据集上，按严格未见鱼片协议，仅用每个鱼片3个标注日即达到平均绝对误差1.58天、2天准确率72.3%，优于标量回归和标签分布基线。

论文高光谱成像少样本学习鱼类鲜度

推荐理由：三张标注日就能把鱼肉鲜度误差压到1.58天，这个少样本高光谱方法比全监督基线都划算。

17:43

17:43

官方账号arXiv cs.AI@Kazi Nabiul Alam, Pooneh Bagheri Zadeh, Akbar Sheikh-Akbari

SGNet 用分组卷积和深度空间路径分离光谱与空间特征，引入通道挤压激发与空间门控双注意力。在自建 16 天冷藏三文鱼片数据集上，准确率 97.8%，MAE 0.64 天，参数仅 4.75M。相比 ResNet-50 和 Vision Transformer，参数降低 5 至 18 倍。消融实验证明了各组件贡献，面向工业实时预测的域感知设计有效。

论文 SGNet 高光谱成像鱼类新鲜度

推荐理由：SGNet 只 4.75M 参数，就达到 97.8% 准确率，比 ResNet-50、ViT 小 5-18 倍，适合工业鱼类新鲜度检测。