A3 Kirjan tai muun kokoomateoksen osa
Method for Radiance Approximation of Hyperspectral Data Using Deep Neural Network (2023)

Rahkonen, S., & Pölönen, I. (2023). Method for Radiance Approximation of Hyperspectral Data Using Deep Neural Network. In P. Neittaanmäki, & M.-L. Rantalainen (Eds.), Impact of Scientific Computing on Science and Society (pp. 315-325). Springer. Computational Methods in Applied Sciences, 58. https://doi.org/10.1007/978-3-031-29082-4_18

JYU-tekijät tai -toimittajat

Rahkonen, Samuli
Pölönen, Ilkka

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Rahkonen, Samuli; Pölönen, Ilkka

Emojulkaisu: Impact of Scientific Computing on Science and Society

Emojulkaisun toimittajat: Neittaanmäki, Pekka; Rantalainen, Marja-Leena

ISBN: 978-3-031-29081-7

eISBN: 978-3-031-29082-4

Lehti tai sarja: Computational Methods in Applied Sciences

ISSN: 1871-3033

eISSN: 2543-0203

Julkaisuvuosi: 2023

Sarjan numero: 58

Artikkelin sivunumerot: 315-325

Kirjan kokonaissivumäärä: 450

Kustantaja: Springer

Kustannuspaikka: Cham

Julkaisumaa: Sveitsi

Julkaisun kieli: englanti

DOI: https://doi.org/10.1007/978-3-031-29082-4_18

Julkaisun avoin saatavuus: Ei avoin

Julkaisukanavan avoin saatavuus:

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/92599

Tiivistelmä

We propose a neural network model for calculating the radiance from raw hyperspectral data gathered using a Fabry–Perot interferometer color camera developed by VTT Technical Research Centre of Finland. The hyperspectral camera works by taking multiple images from different wavelength with varying interferometer settings. The raw data needs to be converted to radiance in order to make any use of it, but this leads to larger file sizes. Because of the amount of the data and the structure of the raw data, the processing has to be run in parallel, requiring a lot of memory and time. Using raw camera data could save processing time and file space in applications with computation time requirements. Secondly, this kind of neural network could be used for generating synthetic training data or use it in generative models. The proposed model approaches these problems by combining spatial and spectral-wise convolutions in neural network with minimizing a loss function utilizing the spectral distance and mean squared loss. The used dataset included images from many patients with melanoma skin cancer.

YSO-asiasanat: koneoppiminen; mallintaminen

Vapaat asiasanat: spektrikuvaus; tietojenkäsittely

Tieteenalat: