PW
Peng Wang
Author with expertise in Multispectral and Hyperspectral Image Fusion
Achievements
This user has not unlocked any achievements yet.
Key Stats
Upvotes received:
0
Publications:
11
(36% Open Access)
Cited by:
1
h-index:
23
/
i10-index:
45
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Two Decades of Publications in Journals Dedicated to Autoimmunity: A Bibliometric Analysis of the Autoimmunity Field from 2004 to 2023

Sha‐Sha Tao et al.Jun 4, 2024
Abstract To carry out an in-depth analysis of the scientific research on autoimmunity, we performed the first bibliometric analysis focusing on publications in journals dedicated to autoimmunity (JDTA) indexed by science citation index during the period 2004–2023. Using bibliometric analysis, we quantitatively and qualitatively analyzed the country, institution, author, reference and keywords information of publications in JDTA, so as to understand the quantity, publication pattern and publication characteristics of these publications. The co-occurrence networks, clustering map and timeline map were created by CiteSpace and VOSviewer software to visualize the results. The CiteSpace was also used to analyze the strongest citation burst of keywords, which could describe the frequency, intensity and time period of high-frequency keywords, and indicate the research hotspots in the field. A total of 5 710 publications were analyzed, and their annual distribution number was basically stable from 2004 to 2023, fluctuating around 300. The United States and Italy led the way in terms of the number of publications, followed by France and China. For international cooperation, the developed countries represented by the United States cooperate more closely, but the cooperation was localized, reflecting that there was no unified model of autoimmunity among countries. UDICE-French Research Universities had the greatest number of publications. Subsequently, the number of publications decreased slowly with the ranking, and the gradient was not large. Eric Gershwin and Yehuda Shoenfeld stood out among the authors. They had an excellent academic reputation and great influence in the field of autoimmunity. The results of keyword analysis showed that JDTA publications mainly studied a variety of autoimmune diseases, especially SLE and RA. At the same time, JDTA publications also paid special attention to the research of cell function, autoantibody expression, animal experiments, disease activity, pathogenesis and treatment. This study is the first to analyze the publications in JDTA from multiple indicators by bibliometrics, thus providing new insights into the research hotspots and development trends in the field of autoimmunity.
0

Low Rank Tensor Completion Pansharpening Based on Haze Correction

Peng Wang et al.Jan 1, 2024
Pansharpening refers to the fusion between a multispectral (MS) image with abundant spectral information and a panchromatic (PAN) image with high spatial resolution to obtain a high spatial resolution multispectral (HRMS) image. The traditional pansharpening methods often ignore the effect of path-radiation caused by scattering from different atmospheric components, and the few methods that introduce haze correction only calibrate each band of the MS image individually, without exploring the intrinsic correlation among different bands. To address this problem, low rank tensor completion pansharpening based on haze correction (LRTCP) is proposed. The haze-line prior is first introduced into the joint haze correction of MS and PAN images, and obtain the pre-modulated images with the help of the improved high-pass modulation (HPM) injection scheme. We then use tensor completion to simulate the degradation problem by applying low-tubal-rank tensor complementation to the process of reconstructing HRMS images, thus constructing a low rank tensor completion pansharpening model based on haze correction. Finally, the alternating direction multiplier (ADMM) is employed to find the solution of the proposed approach, producing the final fusion result. Comprehensive qualitative and quantitative assessment of reduced- and full-resolution datasets from different satellites shows that the proposed method outperforms the state-of-the-art methods.
0

Remote Sensing Scene Classification via Second-order Differentiable Token Transformer Network

Kang Ni et al.Jan 1, 2024
The vision transformer has been widely applied in remote sensing image scene classification due to its excellent ability to capture global features. However, remote sensing scene images involve challenges such as scene complexity and small inter-class differences. Directly utilizing the global tokens of transformer for feature learning may increase computational complexity. Therefore, constructing a distinguishable transformer network which adaptively selects tokens can effectively improve the classification performance of remote sensing scene images while considering computational complexity. Based on this, a second-order differentiable token transformer network (SDT 2 Net) is proposed for considering the efficacy of distinguishable statistical features and non-redundant learnable tokens of remote sensing scene images. A novel transformer block, including an efficient attention block (EAB) and differentiable token compression (DTC) mechanism, is inserted into SDT 2 Net for acquiring selectable token features of each scene image guided by sparse shift local features and token compression rate learning style. Furthermore, a fast token fusion (FTF) module is developed for acquiring more distinguishable token feature representations. This module utilizes the fast global covariance pooling algorithm to acquire high-order visual tokens and validates the effectiveness of classification tokens and high-order visual tokens for scene classification. Compared with other recent methods, SDT 2 Net achieves the most advanced performance with comparable FLOP-s (Floating Point Operations Per Second). The code will be available at https://github.com/RSIP-NJUPT/SDT2Net.
0

VOGTNet: Variational Optimization-Guided Two-Stage Network for Multispectral and Panchromatic Image Fusion

Peng Wang et al.Jan 1, 2024
Multispectral image (MS) and panchromatic image (PAN) fusion, which is also named as multispectral pansharpening, aims to obtain MS with high spatial resolution and high spectral resolution. However, due to the usual neglect of noise and blur generated in the imaging and transmission phases of data during training, many deep learning (DL) pansharpening methods fail to perform on the dataset containing noise and blur. To tackle this problem, a variational optimization-guided two-stage network (VOGTNet) for multispectral pansharpening is proposed in this work, and the performance of variational optimization (VO)-based pansharpening methods relies on prior information and estimates of spatial-spectral degradation from the target image to other two original images. Concretely, we propose a dual-branch fusion network (DBFN) based on supervised learning and train it by using the datasets containing noise and blur to generate the prior fusion result as the prior information that can remove noise and blur in the initial stage. Subsequently, we exploit the estimated spectral response function (SRF) and point spread function (PSF) to simulate the process of spatial-spectral degradation, respectively, thereby making the prior fusion result and the adaptive recovery model (ARM) jointly perform unsupervised learning on the original dataset to restore more image details and results in the generation of the high-resolution MSs in the second stage. Experimental results indicate that the proposed VOGTNet improves pansharpening performance and shows strong robustness against noise and blur. Furthermore, the proposed VOGTNet can be extended to be a general pansharpening framework, which can improve the ability to resist noise and blur of other supervised learning-based pansharpening methods. The source code is available at https://github.com/HZC-1998/VOGTNet.
0

Research hotspots and frontiers in metakaolin-based geopolymer studies: a bibliometric analysis

Peng Wang et al.Jan 16, 2025
Metakaolin-based geopolymers, which are emerging as a novel and eco-friendly construction material, have garnered significant attention in recent years. This study employs bibliometric techniques to systematically analyze 1,553 relevant publications from the Web of Science database, with the goal of identifying research hotspots and trends over the period from 2003 to 2023 in this field. The findings reveal a pronounced growth trend in the annual publication volume of metakaolin-based geopolymers, particularly entering a phase of accelerated development after 2019. China emerges as the leading country in research output, establishing a close collaborative network with countries such as the USA, Italy, France, and Brazil. Institutions like the University of Modena and Reggio Emilia have demonstrated exceptional performance in this field.Cristina Leonelli boasts the highest publication output, while authors such as Joseph Davidovits and Peter Duxson have made significant contributions, providing valuable theoretical and practical guidance for subsequent research. The journal Construction and Building Materials has been identified as a core publication in this field. Keyword analysis reveals that research hotspots include raw material optimization, synthesis mechanisms, mechanical properties, durability, and environmental applications. The evolution of research hotspots in metakaolin-based geopolymers has progressed through three distinct stages: fundamental exploration, performance enhancement, and application expansion. Through a multidimensional analysis, this study systematically organizes the knowledge structure and development trends in metakaolin-based geopolymer research. It offers macro-level insights for related researchers and provides directions and ideas for future research.
Load More