CN106845381A - 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 - Google Patents
基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN106845381A CN106845381A CN201710027459.4A CN201710027459A CN106845381A CN 106845381 A CN106845381 A CN 106845381A CN 201710027459 A CN201710027459 A CN 201710027459A CN 106845381 A CN106845381 A CN 106845381A
- Authority
- CN
- China
- Prior art keywords
- layer
- cnn
- data
- network
- training
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Abstract
本发明涉及一种基于双通道卷积神经网络(Dual Channel Convolutional Neural Network,DC‑CNN)的空谱联合的高光谱图像分类方法,针对高光谱图像数据为三维结构的特点,采用一维卷积网络(1D‑CNN)通道和二维卷积网络(2D‑CNN)通道相结合的方式,提取空谱特征完成高光谱图像的空谱联合分类。针对高光谱图像人工标记数据较少的问题,采用适合高光谱图像的数据扩充方法,增加训练样本的规模,提高卷积网络的训练效率,减少过拟合问题。
Description
技术领域
本发明属于遥感信息处理技术领域,涉及一种高光谱图像的分类方法,尤其涉及一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法。
背景技术
高光谱遥感图像光谱分辨率高、成像波段多、信息量大,在遥感应用领域得到广泛应用。高光谱图像分类技术是高光谱图像处理技术中的重要内容,主要包含特征提取及分类两个步骤,其中从原高光谱图像中提取用特征,该步骤对高光谱图像的分类精度影响巨大:如果所提取的分类特征的鲁棒性强,能够大幅提高分类精度;相反,鲁棒性较差的分类特征则会明显降低分类效果。
近几年,深度学习在特征提取方面成绩显著。为了提高高光谱图像分类精度,各种深度模型被引入到高光谱图像的分类中来,并在谱特征的基础上,引入空间特征,利用深度学习模型,自主提取高光谱图像的空谱特征,有效提高了高光谱图像分类精度。
然而,现有的利用深度模型提取高光谱图像空谱特征的方法,在引入空间特征的时候,会在一定程度上忽视谱特征。同时,存在着邻域信息选取范围过大,导致分类效果出现过平滑,分类结果图不精确的问题。此外,现有的深度模型所含参数较多,需要的训练样本也比较多,对人工标记数据较少时的高光谱图像的分类也带来一定的限制。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法,利用双通道网络,同时提取高光谱图像的空间特征和谱特征,并将二者有机结合,利用深度学习自主学习的优势,自动提取高光谱图像的空谱深度特征以提高分类精度。同时提出数据扩充方法,克服高光谱图像人工标记数据较少时容易过拟合的问题。
技术方案
一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法,其特征在于步骤如下:
步骤1:对输入的高光谱图像数据,依照公式对进行归一化操作;其中xijs表示高光谱图像中的一个像元,i、j分别表示该像元位于高光谱图像中的坐标位置,s表示高光谱图像的谱段,x··smax、x··smin分别表示表示三维高光谱图像在s波段的最大值和最小值;
步骤2:对每个待分类的像元,提取八邻域范围内的所有信息作为该像元的谱数据样本L表示谱段总数;通过PCA降维将图像压缩,以该像元为中心提取邻域范围41×41内的信息作为该像元的空间数据样本
步骤3:从步骤2中提取出来的数据中随机抽取含有标签的数据样本作为DC-CNN的训练数据样本,随机抽取的数量为有标签数据总量的百分之五到百分之十;
步骤4构建DC-CNN:
网络整体结构为两部分,第一部分包含1D-CNN和2D-CNN,其中1D-CNN包含三层一维卷积层,卷积方向沿着谱方向进行;每层卷积层后连接一一维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络;2D-CNN包含三层二维卷积层,卷积在空间上进行;每层卷积层后连接一二维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络;第二部分包含两层全连接网络,第一层为输入层,第二层是分类层,分类层采用softmax计算损失;
步骤5、网络预训练:采用随机梯度下降算法对1D-CNN和2D-CNN进行训练,训练完成之后1D-CNN和2D-CNN分别具备提取深度谱特征和深度空间特征的能力;
步骤6、网络调优:通过步骤5中训练好的1D-CNN和2D-CNN,提取训练数据的谱特征和空间特征,结合提取出的谱特征和空间特征构成训练数据的空谱特征,以训练数据的空谱特征为输入,训练网络的全连接层;
步骤7:将待分类的数据依次通过训练好的1D-CNN和2D-CNN,特征融合,训练好的全连接层,最终根据全连接层的输出确定待分类数据的类别,完成高光谱图像空谱联合分类。
所述步骤5网络预训练为:
步骤5a)前向运算为卷积层前向运算,激励函数前向运算,分类器前向运算三部分,其中一维卷积层前向运算的公式为:
表示卷积运算之后,网络第l层,第j个特征向量上x位置上的值。bl,j是第l层,第j个特征向量的偏置;f(·)表示激励函数,m是第(l-1)层特征向量的索引;表示连接到第(l-1)层第m个特征向量的位于卷积核位置h的值。Hl表示核的长度;
二维卷积层前向运算的公式为:
第(l-1)层第m个特征向量的位于卷积核位置(h,w)的值;Hl和Wl分别表示卷积核的高和宽。激励函数采用ReLU,分类器采用softmax;
步骤5b)反向求导对应于前向运算:对卷积层的求导,对激励函数的求导,对分类器的求导;
步骤5c)卷积核更新:计算出卷积核的偏导之后对卷积核进行更新的一步操作,更新公式如下:
kl+1=kl+vl+1
l表示迭代次数,ε表示学习率,学习率选取0.01。
有益效果
本发明提出的一种基于双通道卷积神经网络(Dual Channel ConvolutionalNeural Network,DC-CNN)的空谱联合的高光谱图像分类方法,针对高光谱图像数据为三维结构的特点,采用一维卷积网络(1D-CNN)通道和二维卷积网络(2D-CNN)通道相结合的方式,提取空谱特征完成高光谱图像的空谱联合分类。针对高光谱图像人工标记数据较少的问题,采用适合高光谱图像的数据扩充方法,增加训练样本的规模,提高卷积网络的训练效率,减少过拟合问题。
本发明的有益效果在于:1)构建出适用于三维结构的高光谱图像数据的DC-CNN模型,利用深度网络模型自主提取空谱深度特征,省去了人为预先设定特征的麻烦;2)基于DC-CNN的高光谱图像空谱联合分类方法,即扩展了深度学习的应用范围,也为高光谱图像分类提供了新思路。3)提出的数据扩充方法一定程度上减缓了深度学习需要大量训练数据和高光谱图像人工标记数据较少的矛盾,减小了过拟合问题。4)提高了高光谱图像分类精度。
附图说明
图1:本发明的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
步骤1输入高光谱图像数据,依照公式对对数据进行归一化操作。其中xijs表示高光谱图像中的一个像元,i、j分别表示该像元位于高光谱图像中的坐标位置,s表示高光谱图像的谱段,现有的高光谱图像一般包含100-240个谱段,x··smax、x··smin分别表示表示三维高光谱图像在s波段的最大值和最小值。
步骤2提取原始的谱数据样本和空间数据样本。对每个待分类的像元,提取八邻域范围内的所有信息作为该像元的谱数据样本L表示谱段总数。通过PCA降维压缩数据,保留前三主成分的信息,即将原始高光谱图像压缩到三维,以该像元为中心提取邻域范围41×41内的信息作为该像元的空间数据样本
步骤3从步骤2中提取出来的数据样本中随机抽取少量的含有标签的数据作为DC-CNN的训练数据样本,一般选取有标签数据总量的百分之五到百分之十作为训练数据样本。
步骤4构建DC-CNN并利用训练数据样本对DC-CNN进行训练。网络整体结构分为两部分,第一部分包含1D-CNN和2D-CNN两部分,其中1D-CNN包含三层一维卷积层(卷积方向沿着谱方向进行),每层卷积层后连接一一维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络,一维卷积核的长度分别依次设置为3,7,5。2D-CNN包含三层二维卷积层(卷积在空间平面上进行),每层卷积层后连接一二维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络,二维卷积核的尺寸依次设置为3×3,7×7,5×5。第二部分包含两层全连接网络,第一层为输入层,第二层是分类层,分类层采用softmax计算损失。网络的整体运算主要包含预训练,调优两阶段,每阶段包含前向运算,反向求导,参数更新三部分操作。
步骤5网络预训练。采用随机梯度下降算法分别对1D-CNN和2D-CNN进行训练,训练完成之后1D-CNN和2D-CNN分别具备提取深度谱特征和深度空间特征的能力。卷积网络的训练主要包含前向运算,反向求导,卷积核更新三部分操作:
5a)前向运算主要分为卷积层前向运算,激励函数前向运算,分类器前向运算三部分,其中一维卷积层前向运算的公式为:
表示卷积运算之后,网络第l层,第j个特征向量上x位置上的值。bl,j是第l层,第j个特征向量的偏置。f(·)表示激励函数,m是第(l-1)层特征向量的索引。表示连接到第(l-1)层第m个特征向量的位于卷积核位置h的值。Hl表示核的长度。二维卷积层前向运算的公式为:
第(l-1)层第m个特征向量的位于卷积核位置(h,w)的值。Hl和Wl分别表示卷积核的高和宽。激励函数采用ReLU,分类器采用softmax。
5b)反向求导对应于前向运算,也包含对卷积层的求导,对激励函数的求导,对分类器的求导。对卷积层前向运算公式及激励函数前向运算公式求导按照基础的数学公式即可推导得到。
5c)卷积核更新是在反向求导运算完成,计算出卷积核的偏导之后对卷积核进行更新的一步操作,更新公式如下:
kl+1=kl+vl+1
l表示迭代次数,ε表示学习率,学习率一般选取0.01。
步骤6网络调优。通过步骤5中训练好的1D-CNN和2D-CNN,提取训练数据的谱特征和空间特征,结合提取出的谱特征和空间特征构成训练数据的空谱联合特征。以训练数据的空谱联合特征为输入,采用随机梯度下降算法训练网络的全连接层。
步骤7将待分类的数据首先通过训练好的1D-CNN和2D-CNN得到深度谱特征和空间特征,其次连接谱特征和空间特征得到空谱特征,最后将空谱特征输入到训练好的全连接层。最终根据全连接层的输出确定待分类数据的类别,完成高光谱图像的空谱联合分类。
Claims (2)
1.一种基于双通道卷积神经网络的空谱联合的高光谱图像分类方法,其特征在于步骤如下:
步骤1:对输入的高光谱图像数据,依照公式对进行归一化操作;其中xijs表示高光谱图像中的一个像元,i、j分别表示该像元位于高光谱图像中的坐标位置,s表示高光谱图像的谱段,x··smax、x··smin分别表示表示三维高光谱图像在s波段的最大值和最小值;
步骤2:对每个待分类的像元,提取八邻域范围内的所有信息作为该像元的谱数据样本L表示谱段总数;通过PCA降维将图像压缩,以该像元为中心提取邻域范围41×41内的信息作为该像元的空间数据样本
步骤3:从步骤2中提取出来的数据中随机抽取含有标签的数据样本作为DC-CNN的训练数据样本,随机抽取的数量为有标签数据总量的百分之五到百分之十;
步骤4构建DC-CNN:
网络整体结构为两部分,第一部分包含1D-CNN和2D-CNN,其中1D-CNN包含三层一维卷积层,卷积方向沿着谱方向进行;每层卷积层后连接一一维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络;2D-CNN包含三层二维卷积层,卷积在空间上进行;每层卷积层后连接一二维池化层,第三层池化层后依次连接一层全连接层和一层分类层,一共八层网络;第二部分包含两层全连接网络,第一层为输入层,第二层是分类层,分类层采用softmax计算损失;
步骤5、网络预训练:采用随机梯度下降算法对1D-CNN和2D-CNN进行训练,训练完成之后1D-CNN和2D-CNN分别具备提取深度谱特征和深度空间特征的能力;
步骤6、网络调优:通过步骤5中训练好的1D-CNN和2D-CNN,提取训练数据的谱特征和空间特征,结合提取出的谱特征和空间特征构成训练数据的空谱特征,以训练数据的空谱特征为输入,训练网络的全连接层;
步骤7:将待分类的数据依次通过训练好的1D-CNN和2D-CNN,特征融合,训练好的全连接层,最终根据全连接层的输出确定待分类数据的类别,完成高光谱图像空谱联合分类。
2.根据权利要求1所述基于双通道卷积神经网络的空谱联合的高光谱图像分类方法,其特征在于:所述步骤5网络预训练为:
步骤5a)前向运算为卷积层前向运算,激励函数前向运算,分类器前向运算三部分,其中一维卷积层前向运算的公式为:
表示卷积运算之后,网络第l层,第j个特征向量上x位置上的值。bl,j是第l层,第j个特征向量的偏置;f(·)表示激励函数,m是第(l-1)层特征向量的索引;表示连接到第(l-1)层第m个特征向量的位于卷积核位置h的值。Hl表示核的长度;
二维卷积层前向运算的公式为:
第(l-1)层第m个特征向量的位于卷积核位置(h,w)的值;Hl和Wl分别表示卷积核的高和宽;激励函数采用ReLU,分类器采用softmax;
步骤5b)反向求导对应于前向运算:对卷积层的求导,对激励函数的求导,对分类器的求导;
步骤5c)卷积核更新:计算出卷积核的偏导之后对卷积核进行更新的一步操作,更新公式如下:
kl+1=kl+vl+1
l表示迭代次数,ε表示学习率,学习率选取0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710027459.4A CN106845381B (zh) | 2017-01-16 | 2017-01-16 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710027459.4A CN106845381B (zh) | 2017-01-16 | 2017-01-16 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845381A true CN106845381A (zh) | 2017-06-13 |
CN106845381B CN106845381B (zh) | 2022-09-23 |
Family
ID=59124626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710027459.4A Active CN106845381B (zh) | 2017-01-16 | 2017-01-16 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845381B (zh) |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
CN107578060A (zh) * | 2017-08-14 | 2018-01-12 | 电子科技大学 | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN107944483A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
CN107967454A (zh) * | 2017-11-24 | 2018-04-27 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108038501A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 基于多模态压缩双线性池化的高光谱图像分类方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108510083A (zh) * | 2018-03-29 | 2018-09-07 | 国信优易数据有限公司 | 一种神经网络模型压缩方法以及装置 |
CN108846361A (zh) * | 2018-06-15 | 2018-11-20 | 南京邮电大学 | 一种基于谱带特异性学习的高光谱图像分类方法 |
CN109034367A (zh) * | 2018-08-22 | 2018-12-18 | 广州杰赛科技股份有限公司 | 神经网络更新方法、装置、计算机设备和可读存储介质 |
CN109165573A (zh) * | 2018-08-03 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于提取视频特征向量的方法和装置 |
CN109376753A (zh) * | 2018-08-31 | 2019-02-22 | 南京理工大学 | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 |
CN109389080A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于半监督wgan-gp的高光谱图像分类方法 |
WO2019055093A1 (en) * | 2017-09-18 | 2019-03-21 | Microsoft Technology Licensing, Llc | EXTRACTION OF SPATIO-TEMPORAL CHARACTERISTICS FROM A VIDEO |
CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
CN109711269A (zh) * | 2018-12-03 | 2019-05-03 | 辽宁工程技术大学 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN109978071A (zh) * | 2019-04-03 | 2019-07-05 | 西北工业大学 | 基于数据增广和分类器融合的高光谱图像分类方法 |
CN110033032A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱成像技术的组织切片分类方法 |
CN110147773A (zh) * | 2019-05-23 | 2019-08-20 | 广东工业大学 | 一种遥感图像识别方法 |
CN110222773A (zh) * | 2019-06-10 | 2019-09-10 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
US10437775B2 (en) | 2017-09-14 | 2019-10-08 | Microsoft Technology Licensing, Llc | Remote direct memory access in computing systems |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN110674488A (zh) * | 2019-09-06 | 2020-01-10 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN110998286A (zh) * | 2017-07-31 | 2020-04-10 | 史密斯探测公司 | 用于确定样本中感兴趣物质的存在的系统 |
CN111126256A (zh) * | 2019-12-23 | 2020-05-08 | 武汉大学 | 一种基于自适应空谱多尺度网络的高光谱图像分类方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111310516A (zh) * | 2018-12-11 | 2020-06-19 | 杭州海康威视数字技术股份有限公司 | 一种行为识别方法和装置 |
CN111539447A (zh) * | 2020-03-17 | 2020-08-14 | 广东省智能制造研究所 | 一种基于高光谱与太赫兹数据深度融合的分类方法 |
CN111667019A (zh) * | 2020-06-23 | 2020-09-15 | 哈尔滨工业大学 | 基于可变形分离卷积的高光谱图像分类方法 |
CN111985575A (zh) * | 2020-09-02 | 2020-11-24 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
CN112464732A (zh) * | 2020-11-04 | 2021-03-09 | 北京理工大学重庆创新中心 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
CN112541552A (zh) * | 2020-12-16 | 2021-03-23 | 中国计量大学上虞高等研究院有限公司 | 双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法 |
CN112733659A (zh) * | 2020-12-30 | 2021-04-30 | 华东师范大学 | 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法 |
CN113313185A (zh) * | 2021-06-09 | 2021-08-27 | 西北工业大学 | 一种基于自适应空谱特征提取的高光谱图像分类方法 |
CN115471677A (zh) * | 2022-09-15 | 2022-12-13 | 贵州大学 | 一种基于双通道稀疏化网络的高光谱图像分类方法 |
CN110674488B (zh) * | 2019-09-06 | 2024-04-26 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002086416A2 (en) * | 2001-04-25 | 2002-10-31 | Amnis Corporation | Method and apparatus for correcting crosstalk and spatial resolution for multichannel imaging |
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 |
CN106022355A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于3dcnn的高光谱图像空谱联合分类方法 |
-
2017
- 2017-01-16 CN CN201710027459.4A patent/CN106845381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002086416A2 (en) * | 2001-04-25 | 2002-10-31 | Amnis Corporation | Method and apparatus for correcting crosstalk and spatial resolution for multichannel imaging |
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 |
CN106022355A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于3dcnn的高光谱图像空谱联合分类方法 |
Non-Patent Citations (3)
Title |
---|
JINGXIANG YANG ET AL: "HYPERSPECTRAL IMAGE CLASSIFICATION USING TWO-CHANNEL DEEP CONVOLUTIONAL NEURAL NETWORK", 《IGARSS 2016》 * |
YING LI ET AL: "Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network", 《REMOTE SENSING》 * |
张帆等: "采用双通道时间稠密网络的高光谱影像分类方法", 《西安交通大学学报》 * |
Cited By (74)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
CN110998286B (zh) * | 2017-07-31 | 2023-06-13 | 史密斯探测公司 | 用于确定样本中感兴趣物质的存在的系统 |
CN110998286A (zh) * | 2017-07-31 | 2020-04-10 | 史密斯探测公司 | 用于确定样本中感兴趣物质的存在的系统 |
CN107578060A (zh) * | 2017-08-14 | 2018-01-12 | 电子科技大学 | 一种基于可判别区域的深度神经网络用于菜品图像分类的方法 |
CN107478598A (zh) * | 2017-09-01 | 2017-12-15 | 广东省智能制造研究所 | 一种基于一维卷积神经网络的近红外光谱分析方法 |
US10437775B2 (en) | 2017-09-14 | 2019-10-08 | Microsoft Technology Licensing, Llc | Remote direct memory access in computing systems |
US10789199B2 (en) | 2017-09-14 | 2020-09-29 | Microsoft Technology Licensing, Llc | Network traffic rate limiting in computing systems |
WO2019055093A1 (en) * | 2017-09-18 | 2019-03-21 | Microsoft Technology Licensing, Llc | EXTRACTION OF SPATIO-TEMPORAL CHARACTERISTICS FROM A VIDEO |
US11538244B2 (en) | 2017-09-18 | 2022-12-27 | Microsoft Technology Licensing, Llc | Extraction of spatial-temporal feature representation |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN107798348B (zh) * | 2017-10-27 | 2020-02-18 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
CN107944483B (zh) * | 2017-11-17 | 2020-02-07 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
CN107944483A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
CN107967454A (zh) * | 2017-11-24 | 2018-04-27 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
CN107967454B (zh) * | 2017-11-24 | 2021-10-15 | 武汉理工大学 | 顾及空间邻域关系的双路卷积神经网络遥感分类方法 |
CN108038501B (zh) * | 2017-12-08 | 2021-06-11 | 桂林电子科技大学 | 基于多模态压缩双线性池化的高光谱图像分类方法 |
CN108038501A (zh) * | 2017-12-08 | 2018-05-15 | 桂林电子科技大学 | 基于多模态压缩双线性池化的高光谱图像分类方法 |
CN108009594B (zh) * | 2017-12-25 | 2018-11-13 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108009594A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于变分组卷积的图像识别方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108510083B (zh) * | 2018-03-29 | 2021-05-14 | 国信优易数据股份有限公司 | 一种神经网络模型压缩方法以及装置 |
CN108510083A (zh) * | 2018-03-29 | 2018-09-07 | 国信优易数据有限公司 | 一种神经网络模型压缩方法以及装置 |
CN108846361A (zh) * | 2018-06-15 | 2018-11-20 | 南京邮电大学 | 一种基于谱带特异性学习的高光谱图像分类方法 |
CN110717368A (zh) * | 2018-07-13 | 2020-01-21 | 北京服装学院 | 一种纺织品定性分类方法 |
CN109165573A (zh) * | 2018-08-03 | 2019-01-08 | 百度在线网络技术(北京)有限公司 | 用于提取视频特征向量的方法和装置 |
CN109165573B (zh) * | 2018-08-03 | 2022-07-29 | 百度在线网络技术(北京)有限公司 | 用于提取视频特征向量的方法和装置 |
CN109034367A (zh) * | 2018-08-22 | 2018-12-18 | 广州杰赛科技股份有限公司 | 神经网络更新方法、装置、计算机设备和可读存储介质 |
CN109376753B (zh) * | 2018-08-31 | 2022-06-28 | 南京理工大学 | 一种三维空谱空间维像元类属概率计算方法 |
CN109376753A (zh) * | 2018-08-31 | 2019-02-22 | 南京理工大学 | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 |
CN109389080A (zh) * | 2018-09-30 | 2019-02-26 | 西安电子科技大学 | 基于半监督wgan-gp的高光谱图像分类方法 |
CN109389080B (zh) * | 2018-09-30 | 2022-04-19 | 西安电子科技大学 | 基于半监督wgan-gp的高光谱图像分类方法 |
CN109543763B (zh) * | 2018-11-28 | 2022-10-21 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
CN109711269A (zh) * | 2018-12-03 | 2019-05-03 | 辽宁工程技术大学 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
CN111310516A (zh) * | 2018-12-11 | 2020-06-19 | 杭州海康威视数字技术股份有限公司 | 一种行为识别方法和装置 |
CN111310516B (zh) * | 2018-12-11 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种行为识别方法和装置 |
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
CN109754017B (zh) * | 2019-01-09 | 2022-05-10 | 西北工业大学 | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN110033032B (zh) * | 2019-03-29 | 2020-12-25 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱成像技术的组织切片分类方法 |
CN110033032A (zh) * | 2019-03-29 | 2019-07-19 | 中国科学院西安光学精密机械研究所 | 一种基于显微高光谱成像技术的组织切片分类方法 |
CN109978071A (zh) * | 2019-04-03 | 2019-07-05 | 西北工业大学 | 基于数据增广和分类器融合的高光谱图像分类方法 |
CN110147773A (zh) * | 2019-05-23 | 2019-08-20 | 广东工业大学 | 一种遥感图像识别方法 |
CN110222773A (zh) * | 2019-06-10 | 2019-09-10 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN110222773B (zh) * | 2019-06-10 | 2023-03-24 | 西北工业大学 | 基于不对称分解卷积网络的高光谱图像小样本分类方法 |
CN110298396B (zh) * | 2019-06-25 | 2022-02-08 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
CN110458208A (zh) * | 2019-07-24 | 2019-11-15 | 哈尔滨工业大学 | 基于信息测度的高光谱图像分类方法 |
CN110533077B (zh) * | 2019-08-01 | 2022-09-27 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
WO2021042895A1 (zh) * | 2019-09-06 | 2021-03-11 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
CN110674488A (zh) * | 2019-09-06 | 2020-01-10 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
CN110674488B (zh) * | 2019-09-06 | 2024-04-26 | 深圳壹账通智能科技有限公司 | 基于神经网络的验证码识别方法、系统及计算机设备 |
CN111126256A (zh) * | 2019-12-23 | 2020-05-08 | 武汉大学 | 一种基于自适应空谱多尺度网络的高光谱图像分类方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111160478B (zh) * | 2019-12-31 | 2022-07-26 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111160273B (zh) * | 2019-12-31 | 2023-05-09 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111539447A (zh) * | 2020-03-17 | 2020-08-14 | 广东省智能制造研究所 | 一种基于高光谱与太赫兹数据深度融合的分类方法 |
CN111539447B (zh) * | 2020-03-17 | 2022-04-22 | 广东省科学院智能制造研究所 | 一种基于高光谱与太赫兹数据深度融合的分类方法 |
CN111667019B (zh) * | 2020-06-23 | 2023-03-24 | 哈尔滨工业大学 | 基于可变形分离卷积的高光谱图像分类方法 |
CN111667019A (zh) * | 2020-06-23 | 2020-09-15 | 哈尔滨工业大学 | 基于可变形分离卷积的高光谱图像分类方法 |
CN111985575B (zh) * | 2020-09-02 | 2022-08-02 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
CN111985575A (zh) * | 2020-09-02 | 2020-11-24 | 四川九洲电器集团有限责任公司 | 一种基于卷积神经网络的高光谱图像分类方法 |
CN112464732A (zh) * | 2020-11-04 | 2021-03-09 | 北京理工大学重庆创新中心 | 基于双路径稀疏分层网络的光学遥感图像地物分类方法 |
CN112541552A (zh) * | 2020-12-16 | 2021-03-23 | 中国计量大学上虞高等研究院有限公司 | 双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法 |
CN112541552B (zh) * | 2020-12-16 | 2022-04-19 | 中国计量大学上虞高等研究院有限公司 | Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法 |
CN112733659A (zh) * | 2020-12-30 | 2021-04-30 | 华东师范大学 | 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法 |
CN112733659B (zh) * | 2020-12-30 | 2022-09-20 | 华东师范大学 | 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法 |
CN113313185A (zh) * | 2021-06-09 | 2021-08-27 | 西北工业大学 | 一种基于自适应空谱特征提取的高光谱图像分类方法 |
CN113313185B (zh) * | 2021-06-09 | 2024-01-12 | 西北工业大学 | 一种基于自适应空谱特征提取的高光谱图像分类方法 |
CN115471677A (zh) * | 2022-09-15 | 2022-12-13 | 贵州大学 | 一种基于双通道稀疏化网络的高光谱图像分类方法 |
CN115471677B (zh) * | 2022-09-15 | 2023-09-29 | 贵州大学 | 一种基于双通道稀疏化网络的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845381B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845381A (zh) | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 | |
CN105320965B (zh) | 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 | |
CN111914907B (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN111259828B (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN110533024B (zh) | 基于多尺度roi特征的双二次池化细粒度图像分类方法 | |
CN106022355B (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN110853026B (zh) | 一种融合深度学习与区域分割的遥感影像变化检测方法 | |
CN107180248A (zh) | 基于联合损失增强网络的高光谱图像分类方法 | |
CN106023065A (zh) | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | |
CN106326899A (zh) | 一种基于高光谱图像和深度学习算法的烟叶分级方法 | |
CN113674334B (zh) | 基于深度自注意力网络和局部特征编码的纹理识别方法 | |
CN104050507B (zh) | 基于多层神经网络的超光谱图像分类方法 | |
CN111340814A (zh) | 一种基于多模态自适应卷积的rgb-d图像语义分割方法 | |
CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN108121975A (zh) | 一种联合原始数据和生成数据的人脸识别方法 | |
CN106339753A (zh) | 一种有效提升卷积神经网络稳健性的方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN112949416B (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
CN111898439A (zh) | 基于深度学习的交通场景联合目标检测和语义分割方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
CN113034506B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |