Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE)

高光谱成像是一个快速发展的领域，已经见证了深度学习技术的崛起，在各种应用中取代了传统的特征提取和分类方法。然而，许多研究人员在高光谱图像处理中使用任意的架构，通常没有对光谱和空间信息之间的相互作用进行严格的分析。这种疏忽忽视了将这两种模态结合在一起对模型性能的影响。 本文评估了不同深度学习架构在高光谱图像分割中的性能。我们的分析解开了不同架构对各种光谱和空间粒度的影响。具体而言，我们研究了光谱分辨率（捕捉光谱信息）和空间纹理（传递空间细节）对分割结果的影响。此外，我们还探讨了从最初设计用于RGB图像的大型预训练图像基础模型中转移知识到高光谱领域的可行性。 结果表明，将空间信息与光谱数据结合起来可以改善分割结果，并且进一步研究包含光谱和空间信息的新型架构以及将RGB基础模型适应到高光谱领域是必要的。此外，我们通过清理和公开发布Tecnalia WEEE高光谱数据集，为该领域做出了贡献。该数据集包含不同的废旧电子设备的非铁类分数，包括铜、黄铜、铝、不锈钢和白铜，范围从400到1000纳米。 我们希望这些结论能够指导高光谱成像领域的新研究人员。

本论文旨在评估不同的深度学习架构在高光谱图像分割中的性能，并分析光谱和空间信息之间的相互作用对模型性能的影响。

论文通过对比不同光谱和空间粒度的架构，研究了光谱分辨率和空间纹理对分割结果的影响，并探讨了RGB基础模型在高光谱领域的可迁移性。

论文公开了清洁的Tecnalia WEEE高光谱数据集，包含不同的非铁金属电子废弃物分数，如铜、黄铜、铝、不锈钢和白铜，范围从400到1000nm。实验结果表明，将空间信息与光谱数据结合可以提高分割结果，需要进一步研究包含光谱和空间信息的新型架构以及RGB基础模型在高光谱领域的适应性。

在这个领域中，最近的相关研究包括：“A Review of Deep Learning in Hyperspectral Image Analysis”和“Hyperspectral Image Classification with Deep Learning Models: A Review”。