(SeaPRwire) – Beijing, 03. Januar 2024 – WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologram Augmented Reality (“AR”)-Technologie, gab heute bekannt, dass es die RandomPatchSpatialSpectrumClassifier (RPSSC)-Technologie entwickelt hat, um die Komplementarität zwischen räumlichen und spektralen Informationen voll auszunutzen.
Die Forschung und Entwicklung von WiMis RPSSC kombiniert einen 2D-Gabor-Filter und eine Methode zur zufälligen Patch-Konvolution (GRPC) zur Merkmalsextraktion. Zunächst verwendet die RPSSC Hauptkomponentenanalyse (PCA) und LDA-Algorithmen, um das Original-Hyperspektralbild herabzuskalieren. Ziel dieses Schritts ist es, redundante spektrale Informationen zu eliminieren, während die wichtigsten Informationen erhalten bleiben, das Verhältnis zwischen inter- und intraklassen-Distanz zu erhöhen und die Daten für die anschließende Merkmalsextraktion und Klassifizierung vorzubereiten. Auf dem dimensionalisierten Bild führt RPSSC einen zweidimensionalen Gabor-Filter ein. Gabor-Filter werden häufig im Bereich der Computer Vision verwendet, um räumliche Strukturmerkmale wie Kanten und Texturen von Bildern zu extrahieren. Über den Gabor-Filter kann die RPSSC-Technologie lokale Texturen und räumliche Informationen im Bild erfassen, was die Grundlage für die anschließende Merkmalsextraktion legt. Als Nächstes wendet die RPSSC die GRPC-Methode an, die Gabor-Merkmale als Eingabe verwendet. Zufällige Patch-Konvolution ermöglicht die Extraktion mehrstufiger spektraler Merkmale aus einem Bild durch zufälliges Auswählen von Patches im Bild und Durchführen von Konvolutionsoperationen auf diesen Patches. Dieser Schritt zielt darauf ab, räumliche und spektrale Informationen zu synthetisieren, sodass das Modell die Merkmale des Bildes umfassender verstehen kann. Schließlich verschmilzt die RPSSC-Technologie die mit GRPC extrahierten räumlichen Merkmale mit den mehrstufigen spektralen Merkmalen. Durch diesen Verschmelzungsprozess ist das Modell in der Lage, spektrale Informationen und lokale räumliche Strukturinformationen zu synthetisieren, um eine reichhaltigere Merkmalsdarstellung für die Bildklassifizierung zu liefern. Abschließend wendet die RPSSC einen Support Vector Machine (SVM)-Klassifikator an, um die verschmolzenen Merkmale für eine genaue Klassifizierung von Hyperspektralbildern zu klassifizieren.
Die GRPC-Merkmalsextraktion besteht aus mehreren Schichten, und jede Schicht enthält die folgenden Schritte:
PCA: Es wird PCA auf zufällig ausgewählten Patches durchgeführt, um spektrale Merkmale zu extrahieren.
Whitening: Die extrahierten spektralen Merkmale werden gebleicht, um redundante Informationen zu reduzieren.
Zufällige Projektion: Die gebleichten Merkmale werden durch zufällige Projektion in einen niedrigdimensionalen Raum projiziert.
Konvolutionelle Merkmalsextraktion: Es wird eine konvolutionelle Operation im reduzierten dimensionalen Raum durchgeführt, um mehrstufige spektrale Merkmale zu extrahieren.
Die RPSSC-Technologie von WiMi hat mehrere technische Vorteile bei der Realisierung der umfassenden Nutzung spektraler und räumlicher Merkmale von Hyperspektralbildern. Sie verbessert die Klassifizierungsgenauigkeit, reduziert die Modellkomplexität und nutzt die Informationen von Hyperspektralbildern in vollem Umfang, um effektivere Lösungen für praktische Anwendungen zu bieten. Die technischen Vorteile der RPSSC von WiMi sind folgende:
Einfache Struktur und hervorragende Leistung: RPSSC verwendet GRPC, das eine relativ einfache Struktur aufweist, aber in Experimenten hervorragende Leistungen zeigt. Diese einfache Struktur macht das Modell leichter zu verstehen und zu optimieren und reduziert die Einführungskosten in realen Anwendungen.
Vollständige Nutzung räumlicher und spektraler Merkmale: RPSSC nutzt räumliche und spektrale Merkmale in Hyperspektralbildern vollständig durch die Kombination von 2D-Gabor-Filtern und GRPC-Methoden. Diese kombinierte Nutzung verbessert nicht nur die Klassifizierungsgenauigkeit, sondern zeigt auch die Bedeutung räumlicher struktureller Merkmale auf, die in traditionellen Methoden häufig vernachlässigt werden.
Gute Anpassungsfähigkeit: Die RPSSC-Technologie zeigt gute Leistungen bei der Überwindung von Pfefferrauschen und übermäßiger Glättung bei der Klassifizierung von Hyperspektralbildern und ist auf eine Vielzahl realweltlicher Szenarien anwendbar und erzielt auch mit begrenzten Trainingsproben hohe Klassifizierungsgenauigkeiten. Dies ist für den Umgang mit unregelmäßigen Umgebungen und unvollständigen Daten in praktischen Anwendungen wichtig.
Stapelung räumlicher und spektraler Merkmale: RPSSC ermöglicht die effektive Stapelung räumlicher und spektraler Merkmale, wodurch das Modell Hyperspektralbilder umfassender verstehen kann. Diese umfassende Nutzung verbessert nicht nur die Klassifizierungsgenauigkeit, sondern verstärkt auch die Fähigkeit des Modells, die interne Struktur des Bildes zu erfassen, was die Klassifizierung in detaillierterer Form unterstützt.
Anwendbar bei begrenzten Trainingsproben: RPSSC kann auch mit begrenzten Trainingsproben hohe Klassifizierungsgenauigkeiten erzielen. Dieser Vorteil ist besonders wichtig bei realweltlichen Anwendungen, da in einigen Bereichen der Erhalt groß angelegter, etikettierter Daten schwierig sein kann, und die hohe Effizienz von RPSSC diese herausfordernden Szenarien geeignet macht.
Effektive Überwindung von Überglättung: Bei der Verarbeitung von Hyperspektralbildern führt Überglättung häufig zum Informationsverlust und beeinträchtigt die Klassifizierungsgenauigkeit, was durch die kombinierte Nutzung räumlicher und spektraler Informationen durch RPSSC überwunden wird und die Genauigkeit der Bildverarbeitung verbessert.
Die RPSSC-Technologie von WiMi findet eine Vielzahl von Anwendungen im Bereich der Klassifizierung von Hyperspektralbildern, und die RPSSC-Technologie kann für die Klassifizierung von Hyperspektralbildern verwendet werden, die von Satelliten und Flugzeugen für die Landbedeckungskategorisierung, Ressourcenuntersuchung und Umweltüberwachung aufgenommen wurden. So kann sie beispielsweise genau Ackerland, Wälder, Gewässer usw. klassifizieren und die effiziente Verwaltung natürlicher Ressourcen realisieren. Im Agrarbereich kann die RPSSC-Technologie für die Erkennung von Kulturpflanzentypen, Krankheitserkennung und Bodenanalyse verwendet werden. Durch eine genaue Klassifizierung von Hyperspektralbildern kann sie Landwirten helfen, die landwirtschaftliche Produktion zu optimieren. Gleichzeitig kann die RPSSC-Technologie von WiMi für die Umweltüberwachung verwendet werden, einschließlich Stadtplanung, Wasserqualitätsüberwachung und Vegetationsdeckenüberwachung. Durch die umfassende Analyse von Hyperspektralbildern können Wasserverschmutzung und Ökosystemveränderungen besser überwacht werden.
Zukünftige Forschungsrichtungen von WiMi umfassen die weitere Optimierung des RPSSC-Algorithmus, um seine Recheneffizienz zu verbessern und groß angelegte Hyperspektralbilddaten verarbeiten zu können. Gleichzeitig könnte die Fusion der RPSSC-Technologie und Deep Learning eine mögliche Forschungsrichtung für die Zukunft sein, um die Klassifizierungsgenauigkeit weiter zu verbessern und die Fähigkeit zum Umgang mit komplexen Szenen zu erhöhen. Für verschiedene Bereiche und Anwendungsszenarien ist WiMi bestrebt, massgeschneiderte RPSSC-Lösungen zu entwickeln, um den Bedürfnissen verschiedener Branchen besser gerecht zu werden.
Die RPSSC-Technologie markiert einen wichtigen Durchbruch für WiMi auf dem Gebiet der Klassifizierung von Hyperspektralbildern. Durch die vollständige Nutzung räumlicher und spektraler Merkmale in Hyperspektralbildern zeigt die RPSSC-Technologie herausragende Leistungen und ein breites Potenzial an möglichen Anwendungsbereichen. Während eine genauere Klassifizierung realisiert wird, bietet die RPSSC-Technologie einen neuen Denkansatz zur Lösung der Probleme hoher Modellkomplexität und langer Trainingszeiten, die in traditionellen Deep-Learning-Methoden bestehen. Die RPSSC-Technologie von WiMi repräsentiert den aktuellen Stand der Technik bei der Klassifizierung von Hyperspektralbildern. Die kontinuierliche Weiterentwicklung und Verbesserung der RPSSC-Technologie wird weitere Impulse für den wissenschaftlich-technologischen Fortschritt, die Anwendungsinnovation und die gesellschaftliche Entwicklung bringen.
Über WiMi Hologram Cloud Inc.
WiMi Hologram Cloud Inc. (NASDAQ: WIMI) ist ein umfassender technischer Lösungsanbieter für den holographischen Cloud-Bereich, der sich auf professionelle Bereiche wie holographische AR-Automobil-HUD-Software, 3D-holographische Puls-LiDAR, tragbare Lichtfeld-Hologramm-Ausrüstung, holographische Halbleiter, holographische Cloud-Software, holographische Automobilnavigation und andere konzentriert. Seine Dienstleistungen und Hologramm-AR-Technologien umfassen Anwendungen für holographisches AR im Automobilbereich, 3D-holographische Puls-LiDAR-Technologie, holographische Halbleiter-Visionstechnologie, Entwicklung holographischer Software, holographische AR-Werbetechnologie, holographische AR-Unterhaltungstechnologie, holographische ARSDK-Zahlung, interaktive holographische Kommunikation und andere Hologramm-AR-Technologien.
Der Artikel wird von einem Drittanbieter bereitgestellt. SeaPRwire (https://www.seaprwire.com/) gibt diesbezüglich keine Zusicherungen oder Darstellungen ab.
Branchen: Top-Story, Tagesnachrichten
SeaPRwire liefert Echtzeit-Pressemitteilungsverteilung für Unternehmen und Institutionen und erreicht mehr als 6.500 Medienshops, 86.000 Redakteure und Journalisten sowie 3,5 Millionen professionelle Desktops in 90 Ländern. SeaPRwire unterstützt die Verteilung von Pressemitteilungen in Englisch, Koreanisch, Japanisch, Arabisch, Vereinfachtem Chinesisch, Traditionellem Chinesisch, Vietnamesisch, Thailändisch, Indonesisch, Malaiisch, Deutsch, Russisch, Französisch, Spanisch, Portugiesisch und anderen Sprachen.
Safe Harbor Statements
Diese Pressemitteilung enthält “zukunftsgerichtete Aussagen” im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen können an Begriffen wie “wird”, “erwartet”, “antizipiert”, “zukünftig”, “beabsichtigt”, “plant”,
