CN104408464A - 在大脑神经传导信号分类中的判别性子图挖掘方法 - Google Patents
在大脑神经传导信号分类中的判别性子图挖掘方法 Download PDFInfo
- Publication number
- CN104408464A CN104408464A CN201410576621.4A CN201410576621A CN104408464A CN 104408464 A CN104408464 A CN 104408464A CN 201410576621 A CN201410576621 A CN 201410576621A CN 104408464 A CN104408464 A CN 104408464A
- Authority
- CN
- China
- Prior art keywords
- group
- abnormal
- tree mining
- frequent tree
- brain image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
Abstract
一种在大脑神经传导信号分类中的判别性子图挖掘方法，首先对每个样本构建结构连接网络，然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
Description
技术领域
本发明属于大脑神经传导信号技术领域，具体涉及一种在大脑神经传导信号分类中的判别性子图挖掘方法。
背景技术
大脑神经传导信号分为正常信号和异常信号，异常信号频繁出现就会导致大脑神经传导信号的错失率高，这是需要避免的，所以对于这样的正常信号和异常信号的正确划分越来越重要，近几年来许多研究提出基于单一或多种生物模态的方法用于大脑神经传导的正常信号和异常信号的分类，除了使用单一的体素或者脑区，结构或功能连接网络也已被广泛用于大脑神经传导的正常信号和异常信号的的分类。已有研究表明，可以通过研究脑区之间结构或功能的连接来更好的理解这些大脑神经传导的正常信号和异常信号的区别因素。
传统的基于连接网络的分类方法仅仅从网络中选取一系列特征，如结点度，聚类系数和路径长度等，并将这些提取的特征串联成特征向量，再用于后续的分类。然而，连接网络中的一些有用的网络拓扑结构信息(包括样本自身拓扑结构以及样本间网络的拓扑关系)可能因此而丢失，继而影响到分类器的性能。
发明内容
本发明的目的提供一种在大脑神经传导信号分类中的判别性子图挖掘方法，首先对每个样本构建结构连接网络。然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
为了克服现有技术中的不足，本发明提供了一种在大脑神经传导信号分类中的判别性子图挖掘方法的解决方案，具体如下：
一种在大脑神经传导信号分类中的判别性子图挖掘方法，步骤如下：
步骤1：首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像,核磁共振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像,然后将脑图像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区之间不存在连接，连接矩阵相应位置的元素的值为0，所述的标签包括大脑神经传导信号属于正常信号或者异常信号的属性；
步骤2：根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信号或者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于异常信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2；
步骤3：将针对正常组的频繁子图的集合S1中的频繁子图和针对异常组的频繁子图的集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组中出现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合S1中的第i个频繁子图用来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频繁子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中G＝(V,E,L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合，是图中边的集合，e＝{u,v}表示从顶点u到顶点v之间存在一条边，L为图中顶点的标签集合；
步骤4：运用图核的方法在针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中的对应位置的频繁子图所组成的频繁子图对根据Weisfeiler-Lehman subtree kernel算法进行相似度度量，将正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判别其是否分组正确，最后选出那些具有最高分类精确度所对应的频繁子图对作为最具判别性的频繁子图对。
所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别针对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的字典序列，并将每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后，基于所构建的正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索策略分别对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的频繁子图和针对异常组的频繁子图。
应用本发明上述方案，根据对每个样本构建结构连接网络。然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
附图说明
图l为本发明的流程图。
具体实施方式
本发明提出了一种新的基于结构连接网络的分类方法。基本的条件是大脑神经传导的正常信号和异常信号之间存在不同的网络拓扑结构。本文的目标是找出这些不同的拓扑结构，并用于后续的分类当中。具体而言，首先对每个样本构建结构连接网络。然后根据的它们的标签把训练样本分为两个组即正常信号发生人群组和异常信号发生人群组，并对每个组分别利用频繁子图挖掘算法挖掘出两组频繁子网络，继而用提出的一种判别子图选择算法来进一步衡量这些频繁子网络的判别性能，从而选出最具判别力的频繁子网络用于分类。在真实的用于大脑神经传导的正常信号和异常信号的数据集上验证了本发明的方法，结果表明，本发明的方法要优于现阶段基于连接网络的分类方法。
下面结合附图对发明内容作进一步说明：
在大脑神经传导信号分类中的判别性子图挖掘方法，步骤如下：
步骤1：首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像,核磁共振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像,然后将脑图像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区之间不存在连接，连接矩阵相应位置的元素的值为0，所述的标签包括大脑神经传导信号属于正常信号或者异常信号的属性；
步骤2：根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信号或者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于异常信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2；
步骤3：将针对正常组的频繁子图的集合S1中的频繁子图和针对异常组的频繁子图的集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组中出现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合S1中的第i个频繁子图用来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频繁子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中G＝(V,E,L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合，是图中边的集合，e＝{u,v}表示从顶点u到顶点v之间存在一条边，L为图中顶点的标签集合；
步骤4：运用图核的方法在针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中的对应位置的频繁子图所组成的频繁子图对根据Weisfeiler-Lehman subtree kernel算法进行相似度度量，将正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判别其是否分组正确，最后选出那些具有最高分类精确度所对应的频繁子图对作为最具判别性的频繁子图对。所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别针对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的字典序列，并将每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后，基于所构建的正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索策略分别对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的频繁子图和针对异常组的频繁子图。
为了评估本文所提出的判别子图挖掘算法的性能，在弥散张量成像的数据集上对本发明的方法进行了验证。表1给出了本文使用的数据集的样本信息。样本为美国北卡罗来纳Duke-UNC脑影像和分析中心(Brain Imaging and Analysis center,BIAC)采集。所有数据通过3T扫描仪扫描获得。每个受试者的弥散加权图像通过使用以下弥散加权参数值获得：b＝0和1000s/mm2,flip angle＝90°,repetition(TR)＝17000ms,echo time(TE)＝78ms.Imaging matrix＝128×128,FOV＝256×256mm2,voxel size＝2×2×2mm3.一共获取72张连续的切片。
表1
| 组别 | 异常组的人 | 正常组的人 |
| 样本个数(男/女) | 5/5 | 8/9 |
| 年龄 | 74.2±8.6 | 72.1±8.2 |
| 受教育年限 | 17.7±4.2 | 16.3±2.4 |
| MMSE | 28.5±1.5 | 29.3±1.3 |
将所有脑图像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区之间不存在连接，连接矩阵相应位置的元素的值为0，所述的标签包括大脑神经传导信号属于正常信号或者异常信号的属性；本发明采用采用留一法对实验进行交叉验证。即在每轮实验中，一个样本用作测试，其余样本用于训练分类器，共进行27轮交叉验证。本发明使用分类精确度和AUC来度量分类器的分类性能。
结构网络中，脑区之间存在连接即连接矩阵相应位置为1，否则为0。gSpan算法所采用的支持度约为0.8。给出本文所提出的分类方法在弥散张量成像数据集上的分类性能。为了便于比较，本发明也给出其它基于结构连接网络的分类方法，包括Wee的分类方法和Jie的分类方法。Wee的分类方法的主要思想是将结构连接网络进行局部聚类系数特征提取，再对这些特征进行特征选择，最后用支持向量机(support vector machine,SVM)进行分类。Jie的分类方法主要利用图核进行迭代图特征选择，以期达到更多的利用图的拓扑结构信息进行分类的目的。表2给出了所有比较方法的分类性能。
表2
| 方法 | Accuracy(％) | AUC |
| Wee的分类方法 | 88.89 | 0.929 |
| Jie的分类方法 | 92.59 | 0.965 |
| 本发明的方法 | 96.30 | 0.972 |
表2的结果表明，本发明所提出的方法在分类精确度及AUC值方面都优于其他比较方法。具体而言，我们的方法取得96.30％的分类精确度和0.972的AUC值，在分类精确度方面高于其他方法至少3.71％，而AUC值也高于其他方法。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神及其原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (2)
1.一种在大脑神经传导信号分类中的判别性子图挖掘方法，其特征在于，步骤如下：
步骤1：首先对需要对大脑神经传导信号分类的大脑分别进行核磁共振成像,核磁共振成像后构成需要对大脑神经传导信号分类的大脑各自对应的脑图像,然后将脑图像通过SPM8工具进行切片时间校正、头动校正和空间正则化这样的预处理，再按照AAL模板将预处理后的脑图像划分成116个脑区，并根据脑区之间的白质纤维的连接关系来相互连接以此在脑图像上构建结构网络，并给每个结构网络化的脑图像建立标签和构建针对结构网络的连接矩阵，如果脑区之间存在连接，连接矩阵相应位置的元素的值为1，如果脑区之间不存在连接，连接矩阵相应位置的元素的值为0，所述的标签包括大脑神经传导信号属于正常信号或者异常信号的属性；
步骤2：根据每个结构网络化的脑图像的标签中的大脑神经传导信号属于正常信号或者异常信号的属性，将结构网络化的脑图像分别划分为属于正常信号的正常组和属于异常信号的异常组，然后分别对于正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像利用gSpan算法在组内进行频繁子图挖掘以此得到针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2；
步骤3：将针对正常组的频繁子图的集合S1中的频繁子图和针对异常组的频繁子图的集合S2中的频繁子图按照各自在属于异常信号的异常组或者属于正常信号的正常组中出现的频度大小分别进行升序排列，升序排列中的针对正常组的频繁子图的集合S1中的第i个频繁子图用来表示，升序排列中的针对异常组的频繁子图的集合S2中的第i个频繁子图用来表示，其中i为代表序列号的自然数，另外把所述的正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像进行合并构造成有标签的无向图的集合，其中G＝(V,E,L)，G为有标签的无向图的集合中的有标签的无向图，其中V为图中顶点的集合，是图中边的集合，e＝{u,v}表示从顶点u到顶点v之间存在一条边，L为图中顶点的标签集合；
步骤4：运用图核的方法在针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中选出最具判别能力的频繁子图结构，也就是把正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像逐一取出同针对正常组的频繁子图的集合S1和针对异常组的频繁子图的集合S2中的对应位置频繁子图所组成的频繁子图对根据Weisfeiler-Lehman subtree kernel算法进行相似度度量，将正常组内的结构网络化的脑图像和异常组内的结构网络化的脑图像分给最具有最大相似度值的频繁子图所属的组，判别其是否分组正确，选出那些具有最高分类精确度所对应的频繁子图对作为最具判别性的频繁子图对。
2.根据权利要求1所述的在大脑神经传导信号分类中的判别性子图挖掘方法，其特征在于所述的步骤2的利用gSpan算法在组内进行频繁子图挖掘的方法为分别针对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图首先各自构建一个正常信号的字典序列和异常信号的字典序列，并将每个图映射到唯一一个最小的深度优先搜索编码作为图的唯一标签，然后，基于所构建的正常信号的字典序列和异常信号的字典序列，gSpan算法采用深度优先搜索策略分别对正常组内的结构网络化的脑图像的正常图集中的所有图和异常组内的结构网络化的脑图像构成的异常图集中的所有图进行频繁子图挖掘，以此分别得到针对正常组的频繁子图和针对异常组的频繁子图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410576621.4A CN104408464A (zh) | 2014-10-24 | 2014-10-24 | 在大脑神经传导信号分类中的判别性子图挖掘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410576621.4A CN104408464A (zh) | 2014-10-24 | 2014-10-24 | 在大脑神经传导信号分类中的判别性子图挖掘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104408464A true CN104408464A (zh) | 2015-03-11 |
Family
ID=52646095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410576621.4A Pending CN104408464A (zh) | 2014-10-24 | 2014-10-24 | 在大脑神经传导信号分类中的判别性子图挖掘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104408464A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗系统株式会社 | 磁共振成像装置以及图像处理装置 |
| CN107045624A (zh) * | 2017-01-06 | 2017-08-15 | 南京航空航天大学 | 一种基于最大加权团的脑电信号预处理与分类方法 |
| CN107133651A (zh) * | 2017-05-12 | 2017-09-05 | 太原理工大学 | 基于超网络判别子图的功能磁共振影像数据分类方法 |
| CN109861858A (zh) * | 2019-01-28 | 2019-06-07 | 北京大学 | 微服务系统根因节点的错误排查方法 |
| US10492687B2 (en) | 2015-09-10 | 2019-12-03 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
| CN111027594A (zh) * | 2019-11-18 | 2020-04-17 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
| US11741070B2 (en) * | 2019-10-03 | 2023-08-29 | Royal Bank Of Canada | System and method for behavioral pattern recognition |
-
2014
- 2014-10-24 CN CN201410576621.4A patent/CN104408464A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| FEI FEI等: "Frequent and Discriminative Subnetwork Mining for Mild Cognitive Impairment Classification", 《BRAIN CONNECTIVITY》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗系统株式会社 | 磁共振成像装置以及图像处理装置 |
| US10492687B2 (en) | 2015-09-10 | 2019-12-03 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
| US10888226B2 (en) | 2015-09-10 | 2021-01-12 | Canon Medical Systems Corporation | Magnetic resonance imaging apparatus and image processing apparatus |
| CN107045624A (zh) * | 2017-01-06 | 2017-08-15 | 南京航空航天大学 | 一种基于最大加权团的脑电信号预处理与分类方法 |
| CN107045624B (zh) * | 2017-01-06 | 2020-04-10 | 南京航空航天大学 | 一种基于最大加权团的脑电信号预处理与分类方法 |
| CN107133651A (zh) * | 2017-05-12 | 2017-09-05 | 太原理工大学 | 基于超网络判别子图的功能磁共振影像数据分类方法 |
| CN107133651B (zh) * | 2017-05-12 | 2018-03-16 | 太原理工大学 | 基于超网络判别子图的功能磁共振影像数据分类方法 |
| CN109861858A (zh) * | 2019-01-28 | 2019-06-07 | 北京大学 | 微服务系统根因节点的错误排查方法 |
| CN109861858B (zh) * | 2019-01-28 | 2020-06-26 | 北京大学 | 微服务系统根因节点的错误排查方法 |
| US11741070B2 (en) * | 2019-10-03 | 2023-08-29 | Royal Bank Of Canada | System and method for behavioral pattern recognition |
| CN111027594A (zh) * | 2019-11-18 | 2020-04-17 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
| CN111027594B (zh) * | 2019-11-18 | 2022-08-12 | 西北工业大学 | 一种基于字典表示的分步式异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104408464A (zh) | 在大脑神经传导信号分类中的判别性子图挖掘方法 | |
| CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
| CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
| CN102314614B (zh) | 一种基于类共享多核学习的图像语义分类方法 | |
| CN107346420A (zh) | 一种基于深度学习的自然场景下文字检测定位方法 | |
| CN106022300A (zh) | 基于级联深度学习的交通标志识别方法和系统 | |
| CN109871875B (zh) | 一种基于深度学习的建筑物变化检测方法 | |
| Comber et al. | Community detection in spatial networks: Inferring land use from a planar graph of land cover objects | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| Su et al. | Machine learning-assisted region merging for remote sensing image segmentation | |
| CN102509123A (zh) | 一种基于复杂网络的脑功能磁共振图像分类方法 | |
| CN106023159B (zh) | 设施蔬菜叶部病斑图像分割方法及系统 | |
| Eisank et al. | A generic procedure for semantics-oriented landform classification using object-based image analysis | |
| CN103914705A (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN109033944A (zh) | 一种全天空极光图像分类与关键局部结构定位方法及系统 | |
| CN102622753A (zh) | 基于密度可达测度的半监督谱聚类sar图像分割方法 | |
| CN104573699A (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
| CN105740917B (zh) | 带有标签学习的遥感图像的半监督多视图特征选择方法 | |
| Paris et al. | A novel approach to the unsupervised extraction of reliable training samples from thematic products | |
| CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
| Cheng et al. | Multi-view graph convolutional network with spectral component decompose for remote sensing images classification | |
| Tokar et al. | Using the Random Forest classification for land cover interpretation of Landsat images in the Prykarpattya region of Ukraine | |
| CN102110173A (zh) | 一种改进亲和矩阵的多路谱聚类方法 | |
| CN104537392B (zh) | 一种基于判别性语义部件学习的对象检测方法 | |
| Liu et al. | Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150311 |