CN106096658B - 基于无监督深度空间特征编码的航拍图像分类方法 - Google Patents
基于无监督深度空间特征编码的航拍图像分类方法 Download PDFInfo
- Publication number
- CN106096658B CN106096658B CN201610423487.3A CN201610423487A CN106096658B CN 106096658 B CN106096658 B CN 106096658B CN 201610423487 A CN201610423487 A CN 201610423487A CN 106096658 B CN106096658 B CN 106096658B
- Authority
- CN
- China
- Prior art keywords
- sparse
- image
- feature
- network
- dictionary
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 36
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 101150003479 Parg gene Proteins 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于无监督深度空间特征编码的航拍图像分类方法,属于图像处理技术领域。首先,采用尺度不变特征变换(SIFT)提取图像特征;其次,将局部方差相似度引入到稀疏编码中对稀疏编码进行改进,并用改进的稀疏编码对图像特征进行稀疏表示,得到一种具有稀疏判别性和空间可分性的图像特征;最后,结合深度置信网络完成对航拍图像的分类。本发明在图像特征编码时保留了图像的空间特征信息,增强了所提取图像特征的判别性和可分性,提高了航拍图像的分类精度。
Description
技术领域
本发明涉及一种基于无监督深度空间特征编码的航拍图像分类方法,属于图像处理技术领域。
背景技术
随着卫星技术和传感器技术的快速发展,人们获得了大量的高分辨率的航拍图像,这些图像在城市规划、沿海地区监视、军事任务等方面都得到了广泛的运用。然而,由于航拍图像具有物体多、范围广、视角宽、分辨率高和数据量大等特点,对航拍图像的有效分类和识别已经成为了一个有挑战性的问题,引起了国内外学者的广泛关注。
目前,大多数针对航拍图像分类的方法主要通过提取光谱、纹理和几何特征来对图像进行分类。Bruzzone等人提出了一种基于像素级的特征进行航拍图像分类的算法。该算法首先对图片进行不同尺度的分割,然后融合光谱信息和分割的形状信息,并将其作为特征进行分类。Shackelford等人将像素与物体识别的特征相结合,提出了一种基于物体识别的航拍图像分类方法。该算法首先提取光谱和文理信息,上述两种算法在很大程度上受到分割算法处理结果的影响,分类精度受到一定的限制。随着稀疏编码理论的提出,图像特征表示方法发生了巨大的变化。稀疏编码是指模拟神经元的稀疏型活动特性,用一组基函数获得输入图像的编码表示,在该组编码序列中只有少量的系数较大,而其他大部分系数较小或者接近于零。由于稀疏编码理论符合生物视觉感知特性,因此对图像的稀疏表示已经成为了图像研究的热点。近年来,深度学习作为一种新的方法被广泛应用于机器视觉的各个领域。深度学习网络具有分层式的架构,可以从大量输入数据中有效地学习特征表示。研究表明,由多层非线性映射层组成的深度网络结构比浅层结构更加有效,在复杂函数表示和复杂分类上有更好的效果和效率。
基于以上背景,本发明将局部方差相似度引入到稀疏编码中并结合深度置信网络,提出了一种基于无监督深度空间特征编码的航拍图像分类方法。相关的专利如申请号为201410033732.0的专利提出了一种海洋航拍图像的目标检测与识别方法。该方法首先构建航拍图像的视觉辞典,其次提取感兴趣区域的SIFT特征集,最后将特征点与视觉单词进行相似度比较,用相似度较高的视觉单词替代特征点,得到描述矢量,利用描述矢量进行图像分类。该方法不受光照变化、遮挡、尺度变化等的影响,能准确检测与识别船只目标。申请号为201510080478.4的专利提出了一种基于多任务拓扑学习的航拍图像快速识别方法。该方法采用多任务学习框架,能够快速识别航拍图像的图像分类,提高了分类精度和效率。但是,以上专利并没有涉及局部方差相似度、稀疏编码和深度置信网络相结合的航拍图像分类方法,目前,尚未见到与本发明相似的相关文献。
发明内容
针对传统航拍图像分类精度不高的问题,本发明提出一种基于无监督深度空间特征编码的航拍图像分类方法。能够有效地提取航拍图像的特征,提高航拍图像的分类精度。
为实现上述目的,本发明采用下述技术方案:
一种基于无监督深度空间特征编码的航拍图像分类方法,包括如下步骤:
(1)输入航拍图像:
输入任意一幅待分类的航拍图像,并在航拍图像样本中随机选取80%的样本作为训练样本,随机选取20%的样本作为测试样本;
(2)特征提取:
将SIFT特征作为特征描述子,采用dense-SIFT算法提取航拍图像的特征,得到特征向量X=[x1,x2,...,xn],n为采样次数;
(3)字典构建:
利用字典学习法构建航拍图像样本的字典D,为下一步特征稀疏表示做准备;
(4)改进稀疏表示:
将局部方差相似度引入稀疏编码,并用改进的稀疏编码方法对特征向量X=[x1,x2,...,xn]进行稀疏表示,得到稀疏特征向量Z=[z1,z2,...,zn];
(5)特征池化:
采用平均特征池化方法对稀疏特征向量进行池化,得到最终的池化稀疏特征向量F=[f1,f2,...,fn];
(6)构建并训练深度置信网络:
确定深度置信网络层数和每层节点数量,建立深度置信网络。将训练样本集的池化稀疏特征向量F=[f1,f2,...,fn]输入到深度置信网络中,自底向上无监督的训练和自顶向下有监督的微调相结合,得到训练好的深度置信网络;
(7)航拍图像分类:
利用训练好的深度置信网络对航拍图像测试样本集的池化稀疏特征向量F=[f1,f2,...,fn]进行分类,得到分类结果。
采用上述技术方案的本发明,与现有技术相比,具有以下优点:
(1)本发明采用稀疏编码理论对提取的SIFT特征进行稀疏表示,使得编码后的图像特征更简洁、更稀疏,符合生物视觉感知原理,有利于后续分类处理,提高分类准确率。
(2)本发明采用局部方差相似度和稀疏编码相结合的改进稀疏编码方式,克服了传统稀疏编码方式忽略图像像素间的相关性和图像空间特征信息的缺点,使得编码后的图像特征更好地保持了原图像中的空间特征信息。
(3)本发明将改进稀疏编码与深度置信网络相结合进行航拍图像分类,运用稀疏特征表示对图像进行低层特征提取和编码,同时利用深度置信网络的分层式架构对提取的低层图像特征进行高层语义表达。这种低层特征提取和高层语义表达相结合的方式克服了航拍图像难以被分类的问题,并提高了分类准确率。
作为优选,本发明更进一步的技术方案是:
步骤(2)所述的对航拍图像进行特征提取,按如下步骤进行:
第一步,按照下式,建立高斯尺度空间,对航拍图像I进行特征点检测,找出一系列尺度不变的特征点ai:
D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))·I(x,y)=L(x,y,kδ)-L(x,y,δ)
其中,(x,y)是空间坐标,δ是尺度坐标,δ的大小决定图像的平滑程度,G(x,y,δ)为尺度可变高斯函数,
第二步,对每一个特征点ai,以其为中心确定一个16×16的矩形区域;
第三步,按照下式,计算该区域中每个像素的梯度:
其中,m(x,y)为梯度信息,θ(x,y)为该梯度下的方向信息;
第四步,将该区域的y轴旋转到特征点的主方向,并将该区域划分为4×4个子区域;
第五步,对每个子区域进行8个方向的梯度直方图统计并进行归一化,得到SIFT特征向量X=[x1,x2,...,xn]。
步骤(3)所述的字典构造,按如下步骤进行:
第一步,从X=[x1,x2,...,xn]中随机挑选特征向量初始化字典D,并令其每一列为单位向量(||Dj||2=1,||g||2为2范数操作);
第二步,令稀疏矩阵si中其他元素设为0;
第三步,按照下式计算,得到字典D:
其中,min为最小值操作,||g||2为2范数操作。
步骤(4)所述的稀疏表示,按如下步骤进行:
第一步,初始化学习到的字典D,稀疏矩阵si;
第二步,利用局部方差相似度稀疏编码算法求解航拍图像的稀疏特征向量Z=[z1,z2,...,zn]。为了描述简便,将原始图像块分成N维向量I(i=1,...,N),φk为向量I中的每一个元素,φi,j为基函数矩阵A中的每一个元素,重建的图像块为Y(i=1,...,N)。
将局部方差相似度引入稀疏编码中,得到改进后的目标函数:
其中,λ1,λ2,λ3为权值系数,||g||1为1范数操作,LVS为局部方差相似度函数:
其中,μx和μy为原始特征x和重建特征y的均值,σx和σy为标准差;
采用交替优化方法求解zi,即固定一个变量求解另一个变量;定义:
Q21=2μIμY,Q22=2σIσY
第三步,固定A,采用梯度下降法求解S:
其中,
第四步,固定S,采用梯度法求解A:
其中,
步骤(5)所述的特征池化,按如下公式计算:
步骤(6)所述的构建并训练深度置信网络,按如下步骤进行:
第一步,设置网络层数为3层,每层节点数量为50,50,200,随机初始化网络的权值和偏置;
第二步,采用贪婪逐层无监督算法对每一层RBM进行训练,初步更新网络的权值和偏置;
第三步,采用有监督的反向传播算法对整个网络的权值和偏置进行微调,得到训练好的深度置信网络。
附图说明
图1为本发明实施例的流程图;
图2为OT图像集中本发明无稀疏表示的分类准确率混淆矩阵;
图3为OT图像集中本发明有稀疏表示的分类准确率混淆矩阵;
图4为UC Merced图像集中本发明无稀疏表示的分类准确率混淆矩阵;
图5为UC Merced图像集中本发明有稀疏表示的分类准确率混淆矩阵。
具体实施方式
以下结合通过实施例对本发明进行详细说明,但实施例对本发明不做任何形式的限定。
参照图1,一种基于无监督深度空间特征编码的航拍图像分类方法,具体步骤如下:
(1)输入航拍图像:
输入任意一幅待分类的航拍图像,并在航拍图像样本中随机选取80%的样本作为训练样本,随机选取20%的样本作为测试样本。
(2)特征提取:
按照下式,建立高斯尺度空间,对航拍图像I进行特征点检测,找出一系列尺度不变的特征点ai:
D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))·I(x,y)=L(x,y,kδ)-L(x,y,δ)
其中,(x,y)是空间坐标,δ是尺度坐标,δ的大小决定图像的平滑程度。G(x,y,δ)为尺度可变高斯函数,
以每一个特征点ai为中心确定一个16×16的矩形区域,并按照下式,计算该区域中每个像素的梯度:
其中,m(x,y)为梯度信息,θ(x,y)为该梯度下的方向信息;
旋转y轴到特征点的主方向,划分区域为4×4的子区域,对每个子区域进行8个方向的梯度直方图统计并进行归一化,得到SIFT特征向量X=[x1,x2,...,xn],n为采样次数;
(3)字典构造:
从X=[x1,x2,...,xn]中随机挑选特征向量,并令||Dj||2=1(||g||2为2范数操作),稀疏矩阵按照下式计算,得到字典D:
其中,min为最小值操作,||g||2为2范数操作。
(4)利用局部方差相似度稀疏编码算法求解航拍图像的稀疏特征向量Z=[z1,z2,...,zn]。为了描述简便,将原始图像块分成N维向量I(i=1,...,N),φk为向量I中的每一个元素,φi,j为基函数矩阵A中的每一个元素,重建的图像块为Y(i=1,...,N);
将局部方差相似度引入稀疏编码中,得到改进后的目标函数:
其中,λ1,λ2,λ3为权值系数,||g||1为1范数操作,LVS为局部方差相似度函数:
其中,μx和μy为原始特征x和重建特征y的均值,σx和σy为标准差;采用交替优化方法求解zi,即固定一个变量求解另一个变量;定义:
Q21=2μIμY,Q22=2σIσY
首先,固定A,采用梯度下降法求解S:
其中:
其次,固定S,采用梯度法求解A:
其中:
(5)特征池化:
按如下公式计算,得到最终的池化稀疏特征向量F=[f1,f2,...,fn],其中:
(6)构造并训练深度置信网络:
设置网络层数为3层,每层节点数量为50,50,200,随机初始化网络的权值和偏置。将训练样本集的池化稀疏特征向量F=[f1,f2,...,fn]输入到深度置信网络中,采用贪婪逐层无监督算法对每一层RBM进行训练,并采用反向传播算法对整个网络的权值和偏置进行微调,得到训练好的深度置信网络。
(7)航拍图像分类:
利用训练好的深度置信网络对航拍图像测试样本集的池化稀疏特征向量F=[f1,f2,...,fn]进行分类,得到分类结果。
本实施例的发明效果可以通过以下实验进一步说明:
实验1:在OT图像数据集上的实验。
OT图像集包含8类图像,分别为:(1)Forest.(2)Mountain.(3)Open Country.(4)Coast.(5)Highway.(6)City.(7)Tall Building.(8)Street。将发明与Newsam等人提出的视觉词袋方法(BoVW)、Lazebnik等人提出的空间金字塔匹配方法(SPMK)和Cheriyadat等人提出的稀疏编码与支持向量机相结合的方法(SC+SVM)进行对比,同时,为了验证稀疏表示的有效性,对本发明的有无稀疏表示过程进行了比较。实验结果如表1所示。每次实验都重复10次,取平均值作为最终的实验结果。
表1 OT图像集分类结果对比
分类方法 | BoVW | SPMK | SC+SVM | 无稀疏表示 | 有稀疏表示 |
分类准确率 | 76.87% | 79.12% | 85.62% | 84.73% | 86.23% |
从表1可以看出,本发明在航拍图像上的分类准确率要高于上述3种方法,展现了良好的分类性能。此外,与无稀疏表示相比,加入稀疏表示提高了分类准确率,验证了用改进稀疏编码进行稀疏表示的有效性。
图2、图3展示了OT图像集每类的分类情况。如图2和图3所示,本发明的错分类别主要来自于那些具有相似结构特征的场景,如street和highway。而具有规则结构和空间特征的场景,如forest、coast和tall building等,具有较高的分类准确率,验证了本发明的合理性和有效性。
实验2:在UC Merced图像数据集上的实验。
UC Merced图像集是由美国地质调查局(USGS)收集的航拍图像集,该图像集包含21类256×256像素的图像,分别为:(1)Agricultural.(2)Airplane.(3)Base-balldiamond.(4)Beach.(5)Buildings.(6)Chaparral.(7)Dense residential.(8)Forest.(9)Freeway.(10)Golf course.(11)Harbor.(12)Intersection.(13)Medium residential.(14)Mobile home park.(15)Overpasses.(16)Parking lot.(17)River.(18)Runway.(19)Sparse residential.(20)Storage tanks.(21)Tennis court,每类图像集有100张图像。
同样,与上述3种方法进行比较,实验结果如表2所示。
表2 UC Merced图像集分类结果对比
分类方法 | BoVW | SPMK | SC+SVM | 无稀疏表示 | 有稀疏表示 |
分类准确率 | 71.86% | 74% | 81.67% | 81.15% | 82.07% |
从表2可以看出,与其他3种方法相比,本发明方法的分类准确率有显著提高,验证了本发明的有效性。此外,与无稀疏表示相比,加入稀疏表示提高了分类准确率,进一步验证了用改进稀疏编码进行稀疏表示的有效性。
图4、图5展示了OT图像集每类的分类情况。如图4和图5所示,本发明的错分类别主要来自于那些具有相似结构特征的场景,如buildings、Sparse residential和Storagetanks。而具有规则结构和空间特征的场景,如Agricultural,Chaparral,和Harbor,具分类准确率较高,进一步验证了本发明的合理性和有效性。
以上所述仅为本发明较佳可行的实施例而已,并非因此局限本发明的权利范围,凡运用本发明说明书及内容所作的等效变化,均包含于本发明的权利范围之内。
Claims (1)
1.一种基于无监督深度空间特征编码的航拍图像分类方法,其特征在于,包括以下步骤:
(1)输入航拍图像:
输入任意一幅待分类的航拍图像,并在航拍图像样本中随机选取80%的样本作为训练样本,随机选取20%的样本作为测试样本;
(2)特征提取:
将SIFT特征作为特征描述子,采用dense-SIFT算法提取航拍图像的特征,得到特征向量X=[x1,x2,...,xn],n为采样次数;具体的对航拍图像进行特征提取,按如下步骤进行:
第一步,按照下式,建立高斯尺度空间,对航拍图像I进行特征点检测,找出一系列尺度不变的特征点ai:
D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))·I(x,y)=L(x,y,kδ)-L(x,y,δ)
其中,(x,y)是空间坐标,δ是尺度坐标,δ的大小决定图像的平滑程度,G(x,y,δ)为尺度可变高斯函数,
第二步,对每一个特征点ai,以其为中心确定一个16×16的矩形区域;
第三步,按照下式,计算该区域中每个像素的梯度:
其中,m(x,y)为梯度信息,θ(x,y)为该梯度下的方向信息;
第四步,将该区域的y轴旋转到特征点的主方向,并将该区域划分为4×4个子区域;
第五步,对每个子区域进行8个方向的梯度直方图统计并进行归一化,得到SIFT特征向量X=[x1,x2,...,xn];
(3)字典构建:
利用字典学习法构建航拍图像样本的字典D,为下一步特征稀疏表示做准备;具体的字典构建,按如下步骤进行:
第一步,从X=[x1,x2,...,xn]中随机挑选特征向量初始化字典D,并令其每一列为单位向量(||Dj||2=1,||g||2为2范数操作);
第二步,令稀疏矩阵si中其他元素设为0;
第三步,按照下式计算,得到字典D:
其中,min为最小值操作,||g||2为2范数操作;
(4)改进稀疏表示:
将局部方差相似度引入稀疏编码,并用改进的稀疏编码方法对特征向量X=[x1,x2,...,xn]进行稀疏表示,得到稀疏特征向量Z=[z1,z2,...,zn];具体的稀疏表示,按如下步骤进行:
第一步,初始化学习到的字典D,稀疏矩阵si;
第二步,利用局部方差相似度稀疏编码算法求解航拍图像的稀疏特征向量Z=[z1,z2,...,zn],为了描述简便,将原始图像块分成N维向量I(i=1,...,N),φk为向量I中的每一个元素,φi,j为基函数矩阵A中的每一个元素,重建的图像块为Y(i=1,...,N);
将局部方差相似度引入稀疏编码中,得到改进后的目标函数:
其中,λ1,λ2,λ3为权值系数,||g||1为1范数操作,LVS为局部方差相似度函数:
其中,μx和μy为原始特征x和重建特征y的均值,σx和σy为标准差;
采用交替优化方法求解zi,即固定一个变量求解另一个变量;定义:
第三步,固定A,采用梯度下降法求解S:
其中,
第四步,固定S,采用梯度法求解A:
其中,
(5)特征池化:
采用平均特征池化方法对稀疏特征向量进行池化,得到最终的池化稀疏特征向量F=[f1,f2,...,fn];具体的特征池化,按如下公式计算:
(6)构建并训练深度置信网络:
确定深度置信网络层数和每层节点数量,建立深度置信网络;将训练样本集的池化稀疏特征向量F=[f1,f2,...,fn]输入到深度置信网络中,自底向上无监督的训练和自顶向下有监督的微调相结合,得到训练好的深度置信网络;具体的构建并训练深度置信网络,按如下步骤进行:
第一步,设置网络层数为3层,每层节点数量为50,50,200,随机初始化网络的权值和偏置;
第二步,采用贪婪逐层无监督算法对每一层RBM进行训练,初步更新网络的权值和偏置;
第三步,采用有监督的反向传播算法对整个网络的权值和偏置进行微调,得到训练好的深度置信网络;
(7)航拍图像分类:
利用训练好的深度置信网络对航拍图像测试样本集的池化稀疏特征向量F=[f1,f2,...,fn]进行分类,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610423487.3A CN106096658B (zh) | 2016-06-16 | 2016-06-16 | 基于无监督深度空间特征编码的航拍图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610423487.3A CN106096658B (zh) | 2016-06-16 | 2016-06-16 | 基于无监督深度空间特征编码的航拍图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096658A CN106096658A (zh) | 2016-11-09 |
CN106096658B true CN106096658B (zh) | 2019-05-24 |
Family
ID=57846086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610423487.3A Expired - Fee Related CN106096658B (zh) | 2016-06-16 | 2016-06-16 | 基于无监督深度空间特征编码的航拍图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096658B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
CN107944492A (zh) * | 2017-11-27 | 2018-04-20 | 深圳市唯特视科技有限公司 | 一种基于稀疏表示的土地利用覆盖分类方法 |
CN109684964A (zh) * | 2018-12-17 | 2019-04-26 | 华北理工大学 | 基于区域分割Haar-SIFT深度信念网络的人脸识别方法 |
CN113128325A (zh) * | 2020-01-16 | 2021-07-16 | 北京沃东天骏信息技术有限公司 | 一种人脸识别方法和装置 |
CN112710985A (zh) * | 2020-11-16 | 2021-04-27 | 上海航天控制技术研究所 | 一种多漫游器协同导航方法、电子设备及存储介质 |
CN114926753B (zh) * | 2022-06-16 | 2023-10-13 | 无锡慧眼人工智能科技有限公司 | 一种海量图像条件下的快速目标场景信息提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
CN105184320A (zh) * | 2015-09-08 | 2015-12-23 | 西安交通大学 | 基于结构相似度的非负稀疏编码的图像分类方法 |
-
2016
- 2016-06-16 CN CN201610423487.3A patent/CN106096658B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
CN105184320A (zh) * | 2015-09-08 | 2015-12-23 | 西安交通大学 | 基于结构相似度的非负稀疏编码的图像分类方法 |
Non-Patent Citations (3)
Title |
---|
一种基于局部方差和结构相似度的图像质量评价方法;王宇庆;《光电子激光》;20081130;第19卷(第11期);第1546-1553页 |
基于结构相似度的稀疏编码模型;李志清;《软件学报》;20101031;第21卷(第10期);第2410-2418页 |
基于自适应深度置信网络的图像分类方法;杨春德;《计算机工程与设计》;20151031;第36卷(第10期);第2832-2836页 |
Also Published As
Publication number | Publication date |
---|---|
CN106096658A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | ORSIm detector: A novel object detection framework in optical remote sensing imagery using spatial-frequency channel features | |
Xia et al. | AID: A benchmark data set for performance evaluation of aerial scene classification | |
CN106096658B (zh) | 基于无监督深度空间特征编码的航拍图像分类方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
Zhao et al. | Hyperspectral anomaly detection based on stacked denoising autoencoders | |
Cheriyadat | Unsupervised feature learning for aerial scene classification | |
Yao et al. | A coarse-to-fine model for airport detection from remote sensing images using target-oriented visual saliency and CRF | |
Chen et al. | Vehicle detection in high-resolution aerial images based on fast sparse representation classification and multiorder feature | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
Zhao et al. | Multi-scale image block-level F-CNN for remote sensing images object detection | |
Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
Fadaeddini et al. | A deep residual neural network for low altitude remote sensing image classification | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
Zhao et al. | Sparsity-guided saliency detection for remote sensing images | |
CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
Yu et al. | High-performance SAR automatic target recognition under limited data condition based on a deep feature fusion network | |
Li et al. | Place recognition based on deep feature and adaptive weighting of similarity matrix | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
Wang et al. | Remote sensing scene classification using heterogeneous feature extraction and multi-level fusion | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN104376312B (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
Li et al. | Airplane detection using convolutional neural networks in a coarse-to-fine manner | |
CN112270285A (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190524 Termination date: 20200616 |