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
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
Liittyvät organisaatiot
OKM-raportointi: Kyllä
Raportointivuosi: 2023
JUFO-taso: 1
Emojulkaisu, jossa JYU-tekijöitä:
