高光谱图像中的目标检测是从可能包含目标的图像中定位像素的过程，通常是通过比较所需目标材料与图像中每个像素的一个或多个光谱来完成的。目标识别是目标检测的过程，该过程结合了一个附加过程，以更具体地识别每个像素中得分高的材料。检测通常是目标与背景的2级问题，识别是一个许多类问题，包括目标，背景和其他知识材料。我们提供的识别过程是概率和分层的，它为过程提供了透明度并产生值得信赖的输出。在本文中，我们表明，目标识别的错误警报率比单独检测要低得多，并使用概率层次结构分类对可靠的识别方法提供了详细的解释，该分类处理依赖于用户的模糊类别，这些材料依赖于特定的用户不同化学成分的物理类别。通常是通过将包括目标光谱在内的材料混合物与不包括目标光谱（可能与其他步骤）的材料混合物进行比较来完成识别。 （频带组合，功能检查，背景拆卸等）标准线性回归不能很好地解决这些问题，因为回归器的数量（识别光谱）大于特征变量（频段）的数量，并且有多个相关光谱。我们提出的方法可以有效地处理这些挑战，并以根据贝叶斯模型平均计算出的层次结构概率的形式提供了其他重要的实践信息。

在本文中，我们研究了用于高光谱成像中分类的神经网络，重点是将网络的结构与存在的感应和材料的物理学联系起来。光谱是测量材料作为功能波长反射或发射的光的过程。材料中存在的分子键具有影响每个波长下测得的光量的振动频率。因此，测得的光谱包含有关特定化学成分和键类型的信息。例如，叶绿素反映在近红外狂欢（800-900nm）中的光（625-675nm）范围内的光（800-900nm），并且可以使用归一化植被差异指数（NDVI）来测量这种差异，该指数通常用于该指数（NDVI）检测在这些波长下收集的图像中的植被的存在，健康和类型。在本文中，我们表明，接受不同植被类培训的神经网络中的权重学会衡量反射率的差异。然后，我们表明，在更复杂的十个不同聚合物材料组中训练的神经网络将学习网络权重的光谱“特征”，并且这些功能可用于可靠地区分不同类型的聚合物。对权重的检查提供了对网络的人性化理解。

随着来自太阳的电流能通过大气传播，它受到辐射转移效应的影响，包括吸收，发射和散射。建模这些影响对于地球和大气的科学遥感测量至关重要。例如，高光谱图像是一种数字图像的一种形式，这些形式是在像素中收集了许多（通常数百个）光的光之长。在传感器处测得的光量是发射阳光，大气辐射转移以及地面上材料的反射率的结果，所有这些材料的每个波长都因多种物理现象而变化。因此，地面光谱或大气成分的测量需要分离每个波长这些不同的贡献。在本文中，我们创建了一种类似于将大气的自动编码器视为“噪声”和地面反射率的自动编码器，每次频谱的真相。我们通过通过Modtran（http://modtran.spectral.com/modtran \ _home）从实验室测量中获取光谱的随机样品，从而产生数十万个训练样品，并通过变化大气输入来增加大气影响。理想情况下，这一过程可以创建一个自动编码器，该自动编码器将在高光谱图像中分离大气效应和地面反射率，这是一个称为大气补偿的过程，这是困难且耗时的，需要启发式近似值，物理量的估计和物理建模。尽管我们方法的准确性不如该领域的其他方法那样好，但这是将深入学习物理原理的不断增长领域应用于高光谱图像和遥感中的大气补偿领域的重要第一步。

高光谱想象是一种数字成像，每个像素通常包含数百个波长的光，从而提供有关像素中存在的材料的光谱信息。在本文中，我们提供了确定USGS Ghisaconus数据中农作物类型的分类方法，该方法包含来自NASA Hyperion Hyperion Satellite的五种主要美国农作物（冬小麦，大米，玉米，大豆，大豆，大豆，大豆和棉花）的大约7,000个像素光谱。并包括每个像素的光谱，地理位置，作物类型和生长阶段。我们应用标准LDA和QDA以及计算农作物类型和阶段的联合概率的贝叶斯自定义版本，然后是农作物类型的边际概率，表现优于非氨基植物方法。我们还测试了一个具有辍学数据的单层神经网络，该网络的性能与LDA和QDA相当，但不如贝叶斯方法。

农作物残留物燃烧是世界许多地方的空气污染的主要来源，尤其是南亚。政策制定者，从业人员和研究人员都投资了衡量影响和制定干预措施以减少燃烧。但是，测量燃烧的影响或干预措施的有效性减少燃烧需要数据燃烧的位置。这些数据在成本和可行性方面都在现场收集具有挑战性。我们利用印度旁遮普邦旁遮普邦农作物残留物燃烧的地面监测的数据，以探索使用可访问的卫星图像是否可以更有效地检测到燃烧。具体而言，我们使用了具有高时间分辨率（最多每天）的3M Planetscope数据以及具有每周时间分辨率但光谱信息深度的公共可用Sentinel-2数据。在分析了不同光谱带和燃烧指数单独分离燃烧和未燃烧图的能力之后，我们构建了一个随机森林模型，这些模型确定提供了最大的分离性，并用地面验证的数据评估了模型性能。鉴于测量所带来的挑战，我们的总体模型精度为82％是有利的。基于此过程的见解，我们讨论了检测卫星图像中农作物残留物燃烧的技术挑战，以及衡量燃烧和政策干预措施的影响的挑战。

测量金属粉的纯度对于保留添加剂制造产品的质量至关重要。污染是最头痛的问题之一，可能是由于多种原因引起的，并导致造成的成分破裂和故障。冶金条件评估的现有方法主要是耗时的，主要集中于结构的物理完整性，而不是材料组成。通过捕获广泛频率范围的光谱数据以及空间信息，高光谱成像（HSI）可以检测到温度，水分和化学成分方面的较小差异。因此，HSI可以提供一种应对这一挑战的独特方法。在本文中，通过使用近红外HSI相机，引入了HSI用于非破坏性检查金属粉末的应用。详细介绍了三个分步案例研究的技术假设和解决方案，包括粉末表征，污染检测和带选择分析。实验结果已经完全证明了HSI和相关的AI技术对粉末冶金的NDT的潜力，尤其是满足工业制造环境的潜力。

贝叶斯网络是一种图形模型，用于编码感兴趣的变量之间的概率关系。当与统计技术结合使用时，图形模型对数据分析具有几个优点。一个，因为模型对所有变量中的依赖性进行编码，因此它易于处理缺少某些数据条目的情况。二，贝叶斯网络可以用于学习因果关系，因此可以用来获得关于问题域的理解并预测干预的后果。三，因为该模型具有因果和概率语义，因此是结合先前知识（通常出现因果形式）和数据的理想表示。四，贝叶斯网络与贝叶斯网络的统计方法提供了一种有效和原则的方法，可以避免数据过剩。在本文中，我们讨论了从先前知识构建贝叶斯网络的方法，总结了使用数据来改善这些模型的贝叶斯统计方法。关于后一项任务，我们描述了学习贝叶斯网络的参数和结构的方法，包括使用不完整数据学习的技术。此外，我们还联系了贝叶斯网络方法，以学习监督和无监督学习的技术。我们说明了使用真实案例研究的图形建模方法。

近年来，新发现的矿物沉积物数量和不同矿物质需求的增加有LED探索地质学家，寻找在矿物勘探的每个阶段加工不同数据类型的更有效和创新的方法。作为主要步骤，诸如岩性单元，改变类型，结构和指示剂矿物的各种特征被映射以辅助靶向矿床的决策。不同类型的遥感数据集如卫星和空气传播数据，使得可以克服与映射地质特征相关的常见问题。从不同平台获得的遥感数据量的快速增加鼓励科学家培养先进，创新和强大的数据处理方法。机器学习方法可以帮助处理广泛的遥感数据集，并确定诸如反射连续体和感兴趣的特征的组件之间的关系。这些方法在处理频谱和地面真理测量中是稳健的，用于噪声和不确定性。近年来，通过补充与遥感数据集的地质调查进行了许多研究，现在在地球科学研究中突出。本文对一些流行的和最近建立的机器学习方法的实施和适应提供了全面的审查，用于处理不同类型的遥感数据，并调查其用于检测各种矿床类型的应用。我们展示了组合遥感数据和机器学习方法的高能力，以映射对于提供潜在地图至关重要的不同地质特征。此外，我们发现高级方法的范围来处理新一代遥感数据，以创建改进的矿物前景图。

语境。斑点检测是天文学中的常见问题。一个例子是在恒星种群建模中，其中从观察结果推断出星系中恒星年龄和金属性的分布。在这种情况下，斑点可能对应于原位的恒星与从卫星中吸收的恒星相对应，而BLOB检测的任务是解散这些组件。当分布带来重大不确定性时，就会出现一个困难，就像从未解决的恒星系统的建模光谱中推断出的恒星种群的情况一样。目前没有不确定性检测BLOB检测的令人满意的方法。目标。我们介绍了一种在恒星系统综合光谱的恒星种群建模的背景下开发的不确定性感知斑点检测方法。方法。我们为经典的blob检测方法的经典laplacian方法的不确定性感知版本开发了理论和计算工具，我们称之为ULOG。这确定了考虑各种尺度的重要斑点。作为将ULOG应用于恒星种群建模的先决条件，我们引入了一种有效计算光谱建模不确定性的方法。该方法基于截断的奇异值分解和马尔可夫链蒙特卡洛采样（SVD-MCMC）。结果。我们将方法应用于星团M54的数据。我们表明，SVD-MCMC推断与标准MCMC的推断相匹配，但计算速度更快。我们将ULOG应用于推断的M54年龄/金属性分布，识别其恒星中的2或3个显着不同的种群。

以知情方式监测和管理地球林是解决生物多样性损失和气候变化等挑战的重要要求。虽然森林评估的传统或空中运动提供了在区域一级分析的准确数据，但将其扩展到整个国家，以外的高度分辨率几乎不可能。在这项工作中，我们提出了一种贝叶斯深度学习方法，以10米的分辨率为全国范围的森林结构变量，使用自由可用的卫星图像作为输入。我们的方法将Sentinel-2光学图像和Sentinel-1合成孔径雷达图像共同变换为五种不同的森林结构变量的地图：95th高度百分位，平均高度，密度，基尼系数和分数盖。我们从挪威的41个机载激光扫描任务中培训和测试我们的模型，并证明它能够概括取消测试区域，从而达到11％和15％之间的归一化平均值误差，具体取决于变量。我们的工作也是第一个提出贝叶斯深度学习方法的工作，以预测具有良好校准的不确定性估计的森林结构变量。这些提高了模型的可信度及其适用于需要可靠的信心估计的下游任务，例如知情决策。我们提出了一组广泛的实验，以验证预测地图的准确性以及预测的不确定性的质量。为了展示可扩展性，我们为五个森林结构变量提供挪威地图。

质量不足的质量生产可能会对工具，生产下降和低质量产品造成极为昂贵的损害。非常需要自动，快速和廉价的策略来估算质量控制，降低风险和故障预测的重要材料特性。在这项工作中，我们分析了高吞吐量的基于钢的产品。目前，使用手动破坏性测试检查材料质量，该测试缓慢，浪费，仅覆盖一小部分材料。为了获得完整的测试覆盖范围，我们的工业合作者开发了一种非接触式，无创的电磁传感器，以实时测量所有材料。我们的贡献是三个方面：1）我们在受控的实验中表明，传感器可以通过故意改变特性区分钢。 2）对48个钢管进行了全面测量，并对样品进行了其他破坏性测试，以作为地面真理。拟合线性模型可从非侵入性测量中预测通常通过破坏性测试获得的两种关键材料特性（屈服强度和拉伸强度）。在剩余的交叉验证中评估性能。 3）所得模型用于分析用非侵入性传感器测量的〜108 km的处理材料的实际生产数据上的材料特性和与记录的产品故障的关系。该模型实现了出色的性能（F3得分为0.95），预测材料的拉伸强度规格不足。模型预测和记录的产品故障的组合表明，如果大量的估计收益应力值不超出规格，则产品故障的风险很高。我们的分析证明了实时质量控制，风险监控和故障检测的有希望的方向。

城市土地覆盖的时间序列数据在分析城市增长模式方面具有很大的效用，不透水表面和植被的分布变化以及对城市微观气候产生影响。虽然Landsat数据非常适于这种分析，但由于长时间系列的免费图像，传统的每像素硬分类未能产生Landsat数据的全部潜力。本文提出了一种子像素分类方法，其利用Landsat-5 TM和Resorational-1 Liss-IV传感器的时间重叠。我们训练卷积神经网络，预测30米Landsat-5 TM数据的分数陆地覆盖。从2011年的Bengaluru的一个艰难的5.8M Liss-IV图像估计参考陆地覆盖分数。此外，我们从2009年使用Mumbai数据并将其与使用的结果进行了概括和卓越的性能随机森林分类器。对于Bengaluru（2011）和Mumbai（2009）数据，我们的CNN模型的平均绝对百分比误差在30M细胞水平上的内置和植被分数预测的7.2至11.3。与最近的最近的研究不同，在使用数据在空间范围进行有限的空间范围进行验证，我们的模型已经过度培训并验证了两个不同时间段的两个Mega城市的完整空间范围的数据。因此，它可以可靠地从Landsat-5 TM时间序列数据中可靠地产生30M内置和植被分数图，以分析长期城市增长模式。

机器学习方法的最新进展以及扫描探针显微镜（SPMS）的可编程接口的新兴可用性使自动化和自动显微镜在科学界的关注方面推向了最前沿。但是，启用自动显微镜需要开发特定于任务的机器学习方法，了解物理发现与机器学习之间的相互作用以及完全定义的发现工作流程。反过来，这需要平衡领域科学家的身体直觉和先验知识与定义实验目标和机器学习算法的奖励，这些算法可以将它们转化为特定的实验协议。在这里，我们讨论了贝叶斯活跃学习的基本原理，并说明了其对SPM的应用。我们从高斯过程作为一种简单的数据驱动方法和对物理模型的贝叶斯推断作为基于物理功能的扩展的贝叶斯推断，再到更复杂的深内核学习方法，结构化的高斯过程和假设学习。这些框架允许使用先验数据，在光谱数据中编码的特定功能以及在实验过程中表现出的物理定律的探索。讨论的框架可以普遍应用于结合成像和光谱，SPM方法，纳米识别，电子显微镜和光谱法以及化学成像方法的所有技术，并且对破坏性或不可逆测量的影响特别影响。

现代深度学习方法构成了令人难以置信的强大工具，以解决无数的挑战问题。然而，由于深度学习方法作为黑匣子运作，因此与其预测相关的不确定性往往是挑战量化。贝叶斯统计数据提供了一种形式主义来理解和量化与深度神经网络预测相关的不确定性。本教程概述了相关文献和完整的工具集，用于设计，实施，列车，使用和评估贝叶斯神经网络，即使用贝叶斯方法培训的随机人工神经网络。

在本文中，我们提出了一种用于在高光谱图像中聚类的新动力学系统算法。该算法的主要思想是，数据点是\``推动\''的方向，该方向是增加密度和最终位于同一密集区域的像素组属于同一类。这本质上是由数据歧管上数据点密度梯度定义的微分方程的数值解。类的数量是自动化的，所得聚类可能非常准确。除了提供准确的聚类外，该算法还提出了一种新的工具，可以理解高维度的高光谱数据。我们在Urban上评估了算法（可在www.tec.ary.mil/hypercube/上获得）场景，将性能与K-Means算法进行比较，使用预识别的材料类作为地面真理。

Markov链条具有可变长度是有用的解析随机模型，能够产生最静止的离散符号序列。这个想法是识别过去的过去，称为上下文，与预测未来的符号相关。有时单个状态是一个背景，并查看过去并找到这种特定状态，使得进一步过去无关紧要。具有此类属性的状态称为续订状态，它们可用于将链拆分为独立和相同的分布式块。为了识别具有可变长度的链条的续订状态，我们提出了使用内在贝叶斯因子来评估某些特定状态是更新状态的假设。在这种情况下，难度在于将随机上下文树的边缘后端分布集成在上下文树上的一般前提分布，在过渡概率之前，蒙特卡罗方法被应用。为了展示我们方法的强度，我们分析了从不同二进制模型模型生成的人工数据集和来自语言学领域的一个示例。

回归模型用于各种应用，为来自不同领域的研究人员提供强大的科学工具。线性或简单的参数，模型通常不足以描述输入变量与响应之间的复杂关系。通过诸如神经网络的灵活方法可以更好地描述这种关系，但这导致不太可解释的模型和潜在的过度装备。或者，可以使用特定的参数非线性函数，但是这种功能的规范通常是复杂的。在本文中，我们介绍了一种灵活的施工方法，高度灵活的非线性参数回归模型。非线性特征是分层的，类似于深度学习，但对要考虑的可能类型的功能具有额外的灵活性。这种灵活性，与变量选择相结合，使我们能够找到一小部分重要特征，从而可以更具可解释的模型。在可能的功能的空间内，考虑了贝叶斯方法，基于它们的复杂性引入功能的前沿。采用遗传修改模式跳跃马尔可夫链蒙特卡罗算法来执行贝叶斯推理和估计模型平均的后验概率。在各种应用中，我们说明了我们的方法如何用于获得有意义的非线性模型。此外，我们将其预测性能与多个机器学习算法进行比较。

Fruit is a key crop in worldwide agriculture feeding millions of people. The standard supply chain of fruit products involves quality checks to guarantee freshness, taste, and, most of all, safety. An important factor that determines fruit quality is its stage of ripening. This is usually manually classified by experts in the field, which makes it a labor-intensive and error-prone process. Thus, there is an arising need for automation in the process of fruit ripeness classification. Many automatic methods have been proposed that employ a variety of feature descriptors for the food item to be graded. Machine learning and deep learning techniques dominate the top-performing methods. Furthermore, deep learning can operate on raw data and thus relieve the users from having to compute complex engineered features, which are often crop-specific. In this survey, we review the latest methods proposed in the literature to automatize fruit ripeness classification, highlighting the most common feature descriptors they operate on.

这项研究介绍了\ textit {landslide4sense}，这是一种从遥感中检测到滑坡检测的参考基准。该存储库具有3,799个图像贴片，可从Sentinel-2传感器中融合光学层，并带有数字高程模型和来自ALOS Palsar的斜率层。附加的地形信息促进了对滑坡边界的准确检测，而最近的研究表明，仅使用光学数据，这是具有挑战性的。广泛的数据集支持在滑坡检测中进行深度学习（DL）研究，以及用于系统更新滑坡库存的方法的开发和验证。基准数据集已在四个不同的时间和地理位置收集：伊伯里（2018年9月），科达古（2018年8月），戈尔卡（2015年4月）和台湾（2009年8月）。每个图像像素均标记为属于滑坡，包括各种来源和彻底的手动注释。然后，我们评估11个最先进的DL分割模型的滑坡检测性能：U-NET，RESU-NET，PSPNET，CONTECTNET，DEEPLAB-V2，DEEPLAB-V3+，FCN-8，LINKNET，FRRRN-A，FRRN-A，， FRRN-B和SQNET。所有型号均已从划痕上对每个研究区域的四分之一的补丁进行培训，并在其他三个季度的独立贴片上进行了测试。我们的实验表明，Resu-NET的表现优于其他模型，用于滑坡检测任务。我们在\ url {www.landslide4sense.org}公开获得多种源滑坡基准数据（Landslide4sense）和经过测试的DL模型，为遥感，计算机视觉和机器学习社区建立了重要的资源通常，尤其是对滑坡检测的应用。

我们考虑了使用显微镜或X射线散射技术产生的图像数据自组装的模型的贝叶斯校准。为了说明BCP平衡结构中的随机远程疾病，我们引入了辅助变量以表示这种不确定性。然而，这些变量导致了高维图像数据的综合可能性，通常可以评估。我们使用基于测量运输的可能性方法以及图像数据的摘要统计数据来解决这一具有挑战性的贝叶斯推理问题。我们还表明，可以计算出有关模型参数的数据中的预期信息收益（EIG），而无需额外的成本。最后，我们介绍了基于二嵌段共聚物薄膜自组装和自上而下显微镜表征的ohta-kawasaki模型的数值案例研究。为了进行校准，我们介绍了一些基于域的能量和傅立叶的摘要统计数据，并使用EIG量化了它们的信息性。我们证明了拟议方法研究数据损坏和实验设计对校准结果的影响的力量。