CN106408009A - 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 - Google Patents
一种基于深度置信网络的邻域加权平均高光谱图像分类方法 Download PDFInfo
- Publication number
- CN106408009A CN106408009A CN201610811174.5A CN201610811174A CN106408009A CN 106408009 A CN106408009 A CN 106408009A CN 201610811174 A CN201610811174 A CN 201610811174A CN 106408009 A CN106408009 A CN 106408009A
- Authority
- CN
- China
- Prior art keywords
- pixel
- group
- neighborhood
- sorted
- pixels
- 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.)
- Granted
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度置信网络的邻域加权平均高光谱图像分类方法,本发明涉及基于深度置信网络的邻域加权平均高光谱图像分类方法。本发明的目的是为了解决现有分类方法与纯光谱数据相比增加了预训练与微调的运算时间的问题。一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体过程为:步骤一、对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;步骤二、对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;步骤三、以矩阵M为训练集,利用深度置信网络进行分类训练。本发明用于图像分类领域。
Description
技术领域
本发明涉及基于深度置信网络的邻域加权平均高光谱图像分类方法。
背景技术
随着遥感技术的不断发展,现在的高光谱图像光谱信息非常丰富,每个像素拥有数百个波长的信息。但是人们发现用于多光谱图像的传统方法对于高光谱图像来说并不适合。其中主要的矛盾既是传统的方法不能很好地处理如此高的光谱数据维度。为了解决这个问题,在过去的十几年间,不断有人将新的方法引入到高光谱图像分类中来,这其中采用传统方法训练成本高,往往会出现分类精度随特征维数的上升而下降的Hughes现象,或称为维数灾难。随着深度学习近年来软硬件技术的快速发展,以及大数据时代的到来,深度置信网络作为深度学习的一个方向,被应用在了高光谱图像的处理中。且随着高光谱成像技术的发展,所获影像数据的空间分辨率得到显著提高,使得在分类中利用空间信息成为可能,已经陆续有学者将深度学习应用在高光谱图像的处理中,如林洲汉的自动编码器的方法,赵兴的深度置信网络的方法等。光谱分辨率在10l数量级范围内的光谱图像称为高光谱图像(Hyperspectral Image)。
而传统的基于DBN的高光谱数据空谱联合分类方法,把空间信息利用起来而进行PCA变换不仅在算法运行上对计算机系性能提出了较高的要求,并且在变换过程中也丢失了部分非线性信息,尽管变换后大大减小了拼接后的维度,但是仍然比较高,与纯光谱数据相比依然大大增加了预训练与微调的运算时间。
发明内容
本发明的目的是为了解决现有分类方法与纯光谱数据相比增加了预训练与微调的运算时间的缺点,而提出一种基于深度置信网络的邻域加权平均高光谱图像分类方法。
一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体过程为:
步骤一、对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;
步骤二、对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;
步骤三、以矩阵M为训练集,利用深度置信网络进行分类训练。
本发明的有益效果为:
本发明是基于深度置信网络的邻域加权平均高光谱图像分类方法实现了联合利用高光谱图像的空间信息和光谱信息对高光谱数据进行分类,并优化了空谱联合信息的数据维度,对提高高光谱数据的分类精度、分类正确率和分类效率具有重要意义。
(1)更有效地保留空间信息。
(2)数据维数相比空谱联合更低。
(3)对电脑性能要求更低,运行速度更快。
(4)对待分类高光谱数据的分类精度更高。
将DBN(深度学习--深度置信网络,全称为Deep Belief Network)的优化空谱联合、空谱联合与SAE-LR的空谱联合进行对比形成表2与表3由表可知基于DBN的邻域加权平均高光谱图像分类方法在总体精度与平均精度方面均超过了基于DBN的空谱联合的方法,同时也比利用了更多空间信息的基于SAE-LR的空谱联合精度更高。
本发明基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9934,基于DBN的空谱联合的方法的总体精度为0.9894,基于SAE-LR的空谱联合总体精度为0.9863;基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9899,基于DBN的空谱联合的方法的总体精度为0.9871,基于SAE-LR的空谱联合总体精度为0.9805;
本发明基于DBN的邻域加权平均高光谱图像分类方法的总体精度为0.9936,基于DBN的空谱联合的方法的总体精度为0.9819,基于SAE-LR的空谱联合总体精度为0.9924;基于DBN的邻域加权平均高光谱图像分类方法的平均精度为0.9901,基于DBN的空谱联合的方法的平均精度为0.9686,基于SAE-LR的空谱联合平均精度为0.9868。
附图说明
图1为本发明优化空谱联合方案整体框图,1表示高光谱数据,2表示选取邻域,3表示加权平均,4表示处理后数据;
图2为PaviaU数据库的真实地物标记示意图;
图3为KSC数据库的真实地物标记示意图;
图4为本发明优化的PaviaU数据库的真实地物标记空谱联合分类图;
图5为为本发明优化的KSC数据库的真实地物标记空谱联合分类图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种基于深度置信网络(Depth Belief Networks,DBN)的邻域加权平均高光谱图像分类方法具体过程为:
步骤一、对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;
步骤二、对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;
步骤三、以矩阵M为训练集,利用深度置信网络进行分类训练。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;具体过程为:
首先因为PCA变换会丢失部分非线性信息,所以这里不对高光谱图像进行PCA变换,直接为每一个像素提取正方形小邻域。
当高光谱原始数据中的待分类像素不位于高光谱遥感影像边缘时,即高光谱原始数据中的待分类像素四周有一5*5大小的正方形邻域时,对高光谱原始数据中待分类像素四周一5*5大小的正方形邻域内的像素进行空间信息的提取,得到高光谱原始数据的空间信息;
当高光谱原始数据中的待分类像素位于高光谱遥感影像边缘时,即高光谱原始数据中的待分类像素四周没有一5*5大小的正方形邻域时,用该待分类像素点填充,以获取高光谱原始数据中待分类像素四周一5*5大小的正方形邻域空间的谱信息,并对该5*5大小的正方形邻域内的像素进行空间信息的提取,得到高光谱原始数据的空间信息;
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;具体过程为:
所谓的邻域加权法是以待分类像素为中心点,根据正方形邻域内像素距离中心点距离以及像素个数进行加权平均;
步骤二一、根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离将待分类像素四周一5*5大小的正方形邻域内的像素分组;
步骤二二、确定每一组像素的权值系数和总体权值系数;
步骤二三、将各组内部像素求和后,乘以其对应组像素的权值系数之后相加,并乘以总体权值系数;得到经过加权平均求得的待分类像素的空谱联合向量m;
步骤二四、对所有待分类像素进行邻域加权平均,即求得每个待分类像素的空谱联合向量,构成处理后的高光谱数据,即矩阵M;
采用相加的方法避免了过大的维数,同时最大限度的保留了原始高光谱的信息和空间信息。该方法所采用的方案整体框图如图1所示,数据预处理算法的流程如表1所示。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤二一中根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离将待分类像素四周一5*5大小的正方形邻域内的像素分组;具体过程为:
所述中心点为待分类像素;
中心点为第一组;
除中心点外的位于中心点四周一3*3正方形内的八个像素为第二组;
除中心点和第一组外的位于中心点四周一5*5正方形的十六个像素为第三组;
除中心、第一组、第二组、第三组外的7*7正方形的二十四个像素为第四组,以此类推。本发明中的实验部分采用的是5*5大小的正方形邻域内的像素作为空间信息,因而共有三组像素。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤二二中确定每一组像素的权值系数和总体权值系数;具体过程为:
根据每一组包含的像素个数确定权值,权值系数与像素个数的乘积为1,
所述第一组中包含一个像素,权值系数k1为1,
第二组中包含八个像素,权值系数k2为1/8,
第三组中包含十六个像素,权值系数k3为1/16;
根据像素分组数目确定总体权值系数,总体权值系数与像素分组数目的乘积为1,如本发明实验部分共包含三组像素,总体权值系数k0为1/3;
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤二三中将各组内部像素求和后,乘以其对应组像素的权值系数之后相加,并乘以总体权值系数;得到经过加权平均求得的待分类像素的空谱联合向量m;具体方程如下所示:
其中,m为经过加权平均求得的待分类像素的空谱联合向量,为第一组像素向量,为第二组八个像素向量,为第三组十六个像素向量。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤三中以矩阵M为训练集,利用深度置信网络进行分类训练;具体过程为:
对DBN中多个限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)模型逐层训练,使深度置信网络DBN的权值向收敛靠拢,然后将深度置信网络DBN通过反向传播(BackPropagation,BP)算法进行权值优化,使深度置信网络DBN达到收敛,训练完成后,将矩阵M输入至深度置信网络DBN中,即可使用训练好的深度置信网络DBN对矩阵M进行分类。所述DBN为深度置信网络。
其它步骤及参数与具体实施方式一至六之一相同。
表1预处理算法伪代码
其它步骤及参数与具体实施方式一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体是按照以下步骤制备的:
本发明采用两个常用的高光谱数据集,其中一张是美国佛罗里达州肯尼迪航天中心(KSC)的混合植被图,另一张是意大利帕维亚大学(Pavia U),真实地物标记如图2、图3、图4、图5所示。并按照6:2:2数据样本划分比例进行试验。
本发明验证的是基于深度置信网络的邻域加权平均高光谱图像分类方法的可行性与实际效果。通过选取邻域内像素点距离中心点距离以及像素个数进行加权平均的方式,组合成一个新的输入。将DBN(深度学习--深度置信网络,全称为Deep Belief Network)的优化空谱联合、空谱联合与SAE-LR的空谱联合进行对比形成表2与表3由表可知基于DBN的邻域加权平均高光谱图像分类方法在总体精度与平均精度方面均超过了基于DBN的空谱联合的方法,同时也比利用了更多空间信息的基于SAE-LR的空谱联合精度更高。
表2 Pavia U数据精度
表3 KSC数据精度
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:一种基于深度置信网络的邻域加权平均高光谱图像分类方法具体过程为:
步骤一、对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;
步骤二、对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;
步骤三、以矩阵M为训练集,利用深度置信网络进行分类训练。
2.根据权利要求1所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤一中对高光谱原始数据进行空间信息的提取,得到高光谱原始数据的空间信息;具体过程为:
当高光谱原始数据中的待分类像素不位于高光谱遥感影像边缘,即高光谱原始数据中的待分类像素四周有一5*5大小的正方形邻域时,对高光谱原始数据中待分类像素四周一5*5大小的正方形邻域内的像素进行空间信息的提取,得到高光谱原始数据的空间信息;
当高光谱原始数据中的待分类像素位于高光谱遥感影像边缘,即高光谱原始数据中的待分类像素四周没有一5*5大小的正方形邻域时,用该待分类像素填充,以获取高光谱原始数据中待分类像素四周一5*5大小的正方形邻域空间的谱信息,并对该5*5大小的正方形邻域内的像素进行空间信息的提取,得到高光谱原始数据的空间信息。
3.根据权利要求2所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤二中对高光谱原始数据的空间信息进行邻域加权,得到处理后的高光谱数据,即矩阵M;具体过程为:
步骤二一、根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离,将待分类像素四周一5*5大小的正方形邻域内的像素分组;
步骤二二、确定每一组像素的权值系数和总体权值系数;
步骤二三、将各组内部像素求和后,乘以其对应组像素的权值系数之后相加,并乘以总体权值系数;得到经过加权平均求得的待分类像素的空谱联合向量m;
步骤二四、对所有待分类像素进行邻域加权平均,即求得每个待分类像素的空谱联合向量,构成处理后的高光谱数据,即矩阵M。
4.根据权利要求3所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤二一中根据待分类像素四周一5*5大小的正方形邻域内的像素距离中心点距离,将待分类像素四周一5*5大小的正方形邻域内的像素分组;具体过程为:
所述中心点为待分类像素;
中心点为第一组;
除中心点外的位于中心点四周一3*3正方形内的八个像素为第二组;
除中心点和第一组外的位于中心点四周一5*5正方形的十六个像素为第三组。
5.根据权利要求4所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤二二中确定每一组像素的权值系数和总体权值系数;具体过程为:
根据每一组包含的像素个数确定权值,权值系数与像素个数的乘积为1;
所述第一组中包含一个像素,权值系数k1为1,
第二组中包含八个像素,权值系数k2为1/8,
第三组中包含十六个像素,权值系数k3为1/16;
根据像素分组数目确定总体权值系数,总体权值系数与像素分组数目的乘积为1,总体权值系数k0为1/3。
6.根据权利要求5所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤二三中将各组内部像素求和后,乘以其对应组像素的权值系数之后相加,并乘以总体权值系数;得到经过加权平均求得的待分类像素的空谱联合向量m;具体方程如下所示:
其中,m为经过加权平均求得的待分类像素的空谱联合向量,为第一组像素向量,为第二组八个像素向量,为第三组十六个像素向量。
7.根据权利要求6所述一种基于深度置信网络的邻域加权平均高光谱图像分类方法,其特征在于:所述步骤三中以矩阵M为训练集,利用深度置信网络进行分类训练;具体过程为:
对DBN中多个限制玻尔兹曼机模型逐层训练,使深度置信网络DBN的权值向收敛靠拢,然后将深度置信网络DBN通过反向传播算法进行权值优化,使深度置信网络DBN达到收敛,训练完成后,将矩阵M输入至深度置信网络DBN中,即可使用训练好的深度置信网络DBN对矩阵M进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811174.5A CN106408009B (zh) | 2016-09-08 | 2016-09-08 | 基于深度置信网络的邻域加权平均高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811174.5A CN106408009B (zh) | 2016-09-08 | 2016-09-08 | 基于深度置信网络的邻域加权平均高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408009A true CN106408009A (zh) | 2017-02-15 |
CN106408009B CN106408009B (zh) | 2019-04-12 |
Family
ID=57998739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811174.5A Active CN106408009B (zh) | 2016-09-08 | 2016-09-08 | 基于深度置信网络的邻域加权平均高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408009B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN107423670A (zh) * | 2017-04-20 | 2017-12-01 | 上海交通大学 | 基于深度置信网络的modis雾监测方法 |
CN108305301A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 一种基于遥感影像的月表多尺度纹理生成方法 |
CN110781832A (zh) * | 2019-10-28 | 2020-02-11 | 大庆师范学院 | 基于联合深度置信网络的高光谱图像异常目标检测方法 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105809205A (zh) * | 2016-03-31 | 2016-07-27 | 深圳大学 | 一种高光谱图像的分类方法及其系统 |
-
2016
- 2016-09-08 CN CN201610811174.5A patent/CN106408009B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130336540A1 (en) * | 2012-06-14 | 2013-12-19 | Hitachi, Ltd. | Decomposition apparatus and method for refining composition of mixed pixels in remote sensing images |
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105809205A (zh) * | 2016-03-31 | 2016-07-27 | 深圳大学 | 一种高光谱图像的分类方法及其系统 |
Non-Patent Citations (2)
Title |
---|
唐英干等: "基于空间邻域加权平均信息的二维 FCM 图像分割", 《燕山大学学报》 * |
赵兴: "基于深度置信网集成的高光谱数据分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423670A (zh) * | 2017-04-20 | 2017-12-01 | 上海交通大学 | 基于深度置信网络的modis雾监测方法 |
CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
CN108305301A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 一种基于遥感影像的月表多尺度纹理生成方法 |
CN108305301B (zh) * | 2018-01-25 | 2020-11-06 | 山东大学 | 一种基于遥感影像的月表多尺度纹理生成方法 |
CN110781832A (zh) * | 2019-10-28 | 2020-02-11 | 大庆师范学院 | 基于联合深度置信网络的高光谱图像异常目标检测方法 |
CN110781832B (zh) * | 2019-10-28 | 2023-04-18 | 大庆师范学院 | 基于联合深度置信网络的高光谱图像异常目标检测方法 |
CN111199251A (zh) * | 2019-12-27 | 2020-05-26 | 中国地质大学(北京) | 一种基于加权邻域的多尺度高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106408009B (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN106408009A (zh) | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
Al Bashish et al. | A framework for detection and classification of plant leaf and stem diseases | |
CN110363134B (zh) | 一种基于语义分割的人脸遮挡区定位方法 | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN103996047B (zh) | 基于压缩谱聚类集成的高光谱图像分类方法 | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN105469098A (zh) | 一种自适应特征权重合成的lidar数据地物精确分类方法 | |
CN106295694A (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN103678483A (zh) | 基于自适应概率超图和半监督学习的视频语义分析方法 | |
CN109784401A (zh) | 一种基于acgan的极化sar图像分类方法 | |
CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
CN106529458A (zh) | 一种面向高光谱图像的深度神经网络空间谱分类方法 | |
CN113762009A (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN109117717A (zh) | 一种城市行人检测方法 | |
CN105160351A (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
CN104123709B (zh) | 一种基于字典选择的关键帧提取方法 | |
CN111882516B (zh) | 一种基于视觉显著性和深度神经网络的图像质量评价方法 | |
CN115240119A (zh) | 一种基于深度学习的视频监控中行人小目标检测方法 | |
CN110851627B (zh) | 一种用于描述全日面图像中太阳黑子群的方法 | |
CN104077610B (zh) | 二维非线性投影特征的sar图像目标识别的方法 |
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 |