Model-Aware Deep Learning for Clustering and Generalized Category Discovery in Hyperspectral Images
- Promovendus/a
- Li, Xianlu
- Faculteit
- Faculteit Ingenieurswetenschappen en Architectuur
- Vakgroep
- Vakgroep Telecommunicatie en Informatieverwerking
- Curriculum
- Master of Engineering in Electronics and Communication Engineering, South China University of Technology, China, 2021
- Academische graad
- Doctor in de ingenieurswetenschappen: computerwetenschappen
- Taal proefschrift
- Engels
- Vertaling titel
- Modelbewust diep leren voor clustering en gegeneraliseerde categorieontdekking in hyperspectrale beelden
- Promotor(en)
- prof. Aleksandra Pizurica, vakgroep Telecommunicatie en Informatieverwerking - prof. Nicolas Nadisic, vakgroep Telecommunicatie en Informatieverwerking - prof. Shaoguang Huang, China University of Geosciences (China)
- Examencommissie
- voorzitter prof. Filip De Turck (academisch secretaris) - dr. ing. Pooya Ashtari, vakgroep Telecommunicatie en Informatieverwerking - prof. Nikolaos Deligiannis, Vrije Universiteit Brussel - prof. Qi Ming - Beijing University of Technology (China) - prof. Michael Ruzhansky, vakgroep Wiskunde: Analyse, Logica en Discrete Wiskunde - dr. Haijin Zeng, Harvard University (VS) - promotor prof. Aleksandra Pizurica, vakgroep Telecommunicatie en Informatieverwerking - promotor prof. Nicolas Nadisic, vakgroep Telecommunicatie en Informatieverwerking - promotor prof. Shaoguang Huang, China University of Geosciences (China)
Korte beschrijving
Hyperspectrale beelden bevatten veel rijkere informatie dan gewone beelden, omdat elke pixel een gedetailleerd spectrum vastlegt in plaats van slechts enkele kleurwaarden. Dit maakt ze zeer waardevol voor toepassingen zoals milieumonitoring, landbedekkingskartering en precisielandbouw. Tegelijkertijd zijn ze moeilijk te analyseren: de gegevens zijn hoogdimensionaal, ruisgevoelig en complex, terwijl betrouwbare pixelgewijze labels vaak schaars of onvolledig zijn. Ons onderzoek onderzoekt hoe kunstmatige intelligentie hyperspectrale data beter kan begrijpen door deep learning te combineren met gestructureerde modelbenaderingen, in het bijzonder methoden gebaseerd op subruimte-representaties. In plaats van uitsluitend te vertrouwen op datagedreven leren, integreren deze methoden bekende structuren van hyperspectrale data rechtstreeks in het model. Het onderzoek ontwikkelt nieuwe methoden die de sterke punten van deze structuurgebaseerde benaderingen behouden, terwijl ze tegelijkertijd de rekenkundige beperkingen aanpakken. Daarbij worden zowel volledig ongesuperviseerde situaties beschouwd, waarin verborgen structuren in de data worden ontdekt, als deels gesuperviseerde situaties, waarin modellen bekende categorieën herkennen en tegelijk nieuwe categorieën ontdekken. Deze resultaten dragen bij aan een betrouwbaardere en praktischere analyse van hyperspectrale beelden in toepassingen uit de echte wereld.
Praktisch
- Datum
- Dinsdag 26 mei 2026, 16:00
- Locatie
- Auditorium P Jozef Plateau, Plateaustraat 22, 9000 Gent
- Livestream
- Volg online
Gegevens livestream: meeting ID: 365 887 502 348 794 - paswoord: KW2Mj9QU
Meer info
- Contact
- doctoraat.ea@ugent.be