CN106897703A - 基于aga‑pkf‑svm的遥感影像分类方法 - Google Patents

基于aga‑pkf‑svm的遥感影像分类方法 Download PDF

Info

Publication number
CN106897703A
CN106897703A CN201710108283.5A CN201710108283A CN106897703A CN 106897703 A CN106897703 A CN 106897703A CN 201710108283 A CN201710108283 A CN 201710108283A CN 106897703 A CN106897703 A CN 106897703A
Authority
CN
China
Prior art keywords
kernel function
classification
svms
individual
parameter
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
Application number
CN201710108283.5A
Other languages
English (en)
Inventor
王彦彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201710108283.5A priority Critical patent/CN106897703A/zh
Publication of CN106897703A publication Critical patent/CN106897703A/zh
Pending legal-status Critical Current

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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (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

本发明提供一种基于AGA‑PKF‑SVM的遥感影像分类方法，涉及遥感影像处理技术领域。该方法采用全局性多项式核函数(PKF)作为支持向量机(SVM)的核函数，结合交叉验证的方法对支持向量机遥感影像分类模型进行训练，并采用自适应遗传算法(AGA)对支持向量机的惩罚因子、多项式核函数中的各参数及交叉验证的折数进行组合优化。本发明提供的基于AGA‑PKF‑SVM的遥感影像分类方法，能有效防止在对支持向量机参数进行组合优化时陷入局部最优解，并使分类模型具有更好的泛化性能并防止过拟合。

Description

基于AGA-PKF-SVM的遥感影像分类方法
技术领域
本发明涉及遥感影像处理技术领域，尤其涉及一种基于AGA-PKF-SVM的遥感影像分类方法。
背景技术
采用支持向量机对遥感影像进行分类时分类效果受核函数及参数的影响，目前选择核函数时主要采用RBF核函数，对支持向量机参数的优化主要是对支持向量机的惩罚因子C及RBF核函数中gamma参数的组合优化，然而RBF核函数是一种局部核函数，采用RBF核函数的支持向量机具有良好的训练效果，但是其泛化性能稍差，且在参数训练过程中没有充分考虑支持向量机分类模型的过拟合问题，从而使建立的遥感影像分类模型在对新的未知遥感影像数据进行分类时无法保证分类效果。
发明内容
针对现有技术的缺陷，本发明提供一种基于AGA(Adaptive Genetic Algorithm，自适应遗传算法)-PKF(Polynomial Kernel Function，多项式核函数)-SVM(SupportVector Machine，支持向量机)的遥感影像分类方法，采用全局性多项式核函数(PKF)作为支持向量机(SVM)的核函数，结合交叉验证的方法对支持向量机遥感影像分类模型进行训练，并采用自适应遗传算法(AGA)对支持向量机的惩罚因子、多项式核函数中的各参数及交叉验证的折数进行组合优化，有效防止在对支持向量机参数进行组合优化时陷入局部最优解，并使分类模型具有更好的泛化性能并防止过拟合。
一种基于AGA-PKF-SVM的遥感影像分类方法，包括以下步骤：
步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；
其中，K(xi，xj)表示核函数，xi和xj分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；
将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；
步骤2：对个体进行解码；
步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；
步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；
步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；
步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。
进一步地，步骤1中将个体进行二进制编码的步骤如下：
对待优化的多项式核函数三个参数及支持向量机惩罚因子、交叉验证的折数进行二进制编码，其中每组参数组合看作种群中的一个个体，个体编码分成5个单元：
单元1：20位二进制数，用于确定支持向量机惩罚因子C；
单元2：20位二进制数，用于确定多项式核函数参数γ；
单元3：20位二进制数，用于确定多项式核函数参数r；
单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；
单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。
进一步地，步骤4中根据个体适应度值采用轮盘赌法选择优良个体进行交叉、变异操作；通过计算种群的平均适应度值favg及最大适应度值fmax，按照式(2)计算自适应交叉概率Pc，以Pc为交叉概率进行交叉操作；
其中，Pc1、Pc2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；
按照式(3)计算自适应变异概率Pm，以Pm为变异概率进行变异操作；
其中，Pm1、Pm2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。
由上述技术方案可知，本发明的有益效果在于：本发明提供的基于AGA-PKF-SVM的遥感影像分类方法，采用多项式核函数并结合k折交叉验证建立支持向量机遥感影像分类模型，并且使用自适应遗传算法对交叉验证的折数、支持向量机的惩罚因子及多项式核函数中的参数进行组合优化，使得所建支持向量机遥感影像分类模型能够有效防止过拟合，并且具有良好的泛化性能。
附图说明
图1为本发明实施例提供的遥感影像分类流程图；
图2为本发明实施例提供的自适应遗传算法进化过程示意图；
图3为本发明实施例提供的遥感影像分类结果示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，为基于AGA-PKF-SVM的遥感影像分类方法的流程图，具体方法如下所述。
步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；
其中，K(xi，xj)表示核函数，xi和xj分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；
将支持向量机中的惩罚因子C、多项式核函数中参数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化。个体即染色体，一个个体对应一个染色体。
其中，个体编码即染色体编码分成5个单元：
单元1：20位二进制数，用于确定支持向量机惩罚因子C；
单元2：20位二进制数，用于确定多项式核函数参数γ；
单元3：20位二进制数，用于确定多项式核函数参数r；
单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；
单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。
步骤2：对个体进行解码。
步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值。
步骤4：根据个体的适应度值，采用轮盘赌法选择优良个体进行选择、交叉、变异、重插入操作，对参数组合进行优化。
通过计算种群的平均适应度值favg及最大适应度值fmax，按照式(2)计算自适应交叉概率Pc，以Pc为交叉概率进行交叉操作；
其中，Pc1、Pc2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；
按照式(3)计算自适应变异概率Pm，以Pm为变异概率进行变异操作；
其中，Pm1、Pm2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。
步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2。
步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数。
混淆矩阵、总体精度及Kappa系数用来表征分类精度，在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数，总体精度指被正确分类的类别像元数与总的类别个数的比值，但是其值受到像元数据较多类别的影响较大，不能很好的表征每个类别地物，而Kappa系数可以有效避免上述问题的出现，通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
本实施例中选取Pavia University scene高光谱影像中6种类型2000个样本进行分析(首先进行了主成分分析，选择了其中2个指标，其累计贡献率为96.3％)，类别及样本数量见表1。
表1样本类别及数量
序号 类别 样本数量
1 Asphalt 301
2 Meadows 920
3 Gravel 608
4 Trees 57
5 Self-Blocking Bricks 66
6 Shadows 48
本实施例中，4个参数均采用20位二进制编码表示，最大遗传代数为30，代沟为0.9，惩罚因子C的取值范围为(0，20]，多项式核函数中γ的取值范围为(0，5]，常数r的取值范围为[0，10]，多项式的阶数d的取值范围为[1，5]，交叉验证的折数k的取值范围为[2，10]，式(2)中Pc1＝0.95，Pc2＝0.8，式(3)中Pm1＝0.1，Pm2＝0.01。
在Matlab2010a中选取样本集中前1000个样本作为训练集采用交叉验证对支持向量机的参数进行训练，后1000个样本作为测试集对模型进行验证，经过258.861186秒的计算(数值随电脑配置不同而不同，运行电脑基本配置为CPU：AMDA8-4500M，1.9GHz；内存：4G；操作系统：Windows 7，64位)，得到最优参数组合为C＝7.6805，γ＝0.23827，r＝9.5661，d＝3，k＝7，交叉验证的正确分类率为95.9％，对应的遗传算法进化过程如图2所示。
采用上述参数对测试集中遥感影像数据进行分类，图3为分类结果，得到的总体精度为0.892，对应的Kappa值为0.8404，表明本方法减少了84.04％的分类错误，具有很高的一致性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：该方法包括以下步骤：
步骤1：支持向量机的核函数采用多项式核函数，如式(1)所示；
K ( x i , x j ) = ( γx i T x j + r ) d , γ > 0 - - - ( 1 )
其中，K(xi，xj)表示核函数，xi和xj分别表示二维空间中的两个点，γ表示多项式核函数中的内积系数，r表示常数项，d表示多项式的项数；
将支持向量机中的惩罚因子C、多项式核函数中内积系数γ、常数项r、多项式的项数d及交叉验证的折数k五种参数组合看作种群的一个个体，对个体进行二进制编码，并对种群进行初始化；
步骤2：对个体进行解码；
步骤3：将分类结果的准确率设为目标函数，通过k折交叉验证，计算支持向量机模型对遥感影像的平均分类准确率，将该平均分类准确率作为个体的适应度值；
步骤4：根据个体的适应度值，进行选择、交叉、变异、重插入操作，对参数组合进行优化；
步骤5：判断优化过程是否满足最大迭代次数，若满足，则得到最优个体，输出最优参数组合，根据最优参数组合建立采用多项式核函数的支持向量机遥感影像分类模型，该模型中记录了优化后得到的参数、分类的个数、支持向量的个数、各支持向量及系数、分类超平面的常数项，否则返回步骤2；
步骤6：根据步骤5建立的支持向量机遥感影像分类模型对遥感影像测试集数据进行分类，输出分类结果、混淆矩阵、总体精度及Kappa系数；所述混淆矩阵、总体精度及Kappa系数用于表征分类精度；在混淆矩阵中能够显示正确分类的数量及被错分的类别和个数；总体精度指被正确分类的类别像元数与总的类别个数的比值；Kappa系数是通过把所有真实分类中的像元总数乘以混淆矩阵对角线的和，再减去某一类真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。
2.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤1中将个体进行二进制编码的步骤如下：
对待优化的多项式核函数三个参数及支持向量机惩罚因子、交叉验证的折数进行二进制编码，其中每组参数组合看作种群中的一个个体，个体编码分成5个单元：
单元1：20位二进制数，用于确定支持向量机惩罚因子C；
单元2：20位二进制数，用于确定多项式核函数参数γ；
单元3：20位二进制数，用于确定多项式核函数参数r；
单元4：20位二进制数，用于解码后按四舍五入确定多项式核函数的项数d；
单元5：20位二进制数，用于解码后按四舍五入确定交叉验证的折数k。
3.根据权利要求1所述的基于AGA-PKF-SVM的遥感影像分类方法，其特征在于：所述步骤4中根据个体适应度值采用轮盘赌法选择优良个体进行交叉、变异操作；通过计算种群的平均适应度值favg及最大适应度值fmax，按照式(2)计算自适应交叉概率Pc，以Pc为交叉概率进行交叉操作；
P c = P c 1 - ( P c 2 - P c 1 ) ( f &prime; - f a v g ) f m a x - f a v g f &prime; &GreaterEqual; f a v g P c 2 f &prime; < f a v g - - - ( 2 )
其中，Pc1、Pc2分别表示交叉概率取值的下限和上限，f′表示参与交叉的两个个体中较大的适应度值；
按照式(3)计算自适应变异概率Pm，以Pm为变异概率进行变异操作；
P m = P m 1 - ( P m 2 - P m 1 ) ( f m a x - f ) f m a x - f a v g f &GreaterEqual; f a v g P m 2 f < f a v g - - - ( 3 )
其中，Pm1、Pm2分别表示变异概率取值的下限和上限，f表示变异个体的适应度值。
CN201710108283.5A 2017-02-27 2017-02-27 基于aga‑pkf‑svm的遥感影像分类方法 Pending CN106897703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710108283.5A CN106897703A (zh) 2017-02-27 2017-02-27 基于aga‑pkf‑svm的遥感影像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710108283.5A CN106897703A (zh) 2017-02-27 2017-02-27 基于aga‑pkf‑svm的遥感影像分类方法

Publications (1)

Publication Number Publication Date
CN106897703A true CN106897703A (zh) 2017-06-27

Family

ID=59185829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710108283.5A Pending CN106897703A (zh) 2017-02-27 2017-02-27 基于aga‑pkf‑svm的遥感影像分类方法

Country Status (1)

Country Link
CN (1) CN106897703A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564117A (zh) * 2018-03-30 2018-09-21 华南理工大学 一种基于svm的贫困生辅助认定方法
CN108596118A (zh) * 2018-04-28 2018-09-28 北京师范大学 一种基于人工蜂群算法的遥感影像分类方法及系统
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
CN109902339A (zh) * 2019-01-18 2019-06-18 昆明理工大学 一种基于iaga-svm的滚动轴承故障诊断方法
CN110457545A (zh) * 2019-08-16 2019-11-15 第四范式（北京）技术有限公司 一种确定推荐系统中排序模型的参数的方法及装置
CN112380945A (zh) * 2020-11-06 2021-02-19 中国电力科学研究院有限公司 一种输电通道环境隐患的识别方法和系统
CN112598036A (zh) * 2020-12-14 2021-04-02 湖北工业大学 一种网络流量分类方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101090892B1 (ko) * 2010-09-01 2011-12-13 사단법인 분자설계연구소 약물의 2차 대사반응의 효소 선택성 예측에 관한 정보제공방법
CN102567742A (zh) * 2010-12-15 2012-07-11 中国科学院电子学研究所 一种基于自适应核函数选择的支持向量机自动分类方法
CN102915447A (zh) * 2012-09-20 2013-02-06 西安科技大学 一种基于二叉树支持向量机的分类方法
CN103268517A (zh) * 2013-04-23 2013-08-28 重庆科技学院 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法
US8688603B1 (en) * 2011-11-14 2014-04-01 Amazon Technologies, Inc. System and method for identifying and correcting marginal false positives in machine learning models
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN106295686A (zh) * 2016-08-01 2017-01-04 安徽农业大学 参数优化支持向量机的茶叶香气分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101090892B1 (ko) * 2010-09-01 2011-12-13 사단법인 분자설계연구소 약물의 2차 대사반응의 효소 선택성 예측에 관한 정보제공방법
CN102567742A (zh) * 2010-12-15 2012-07-11 中国科学院电子学研究所 一种基于自适应核函数选择的支持向量机自动分类方法
US8688603B1 (en) * 2011-11-14 2014-04-01 Amazon Technologies, Inc. System and method for identifying and correcting marginal false positives in machine learning models
CN102915447A (zh) * 2012-09-20 2013-02-06 西安科技大学 一种基于二叉树支持向量机的分类方法
CN103268517A (zh) * 2013-04-23 2013-08-28 重庆科技学院 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法
CN105628425A (zh) * 2016-01-01 2016-06-01 三峡大学 一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法
CN106295686A (zh) * 2016-08-01 2017-01-04 安徽农业大学 参数优化支持向量机的茶叶香气分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHILEI LIN 等: "A support vector machine classifier based on a new kernel function model for hyperspectral data", 《GISCIENCE & REMOTE SENSING》 *
于化龙 等: "类不平衡模糊加权极限学习机算法研究", 《计算机科学与探索》 *
张婷婷: "《遥感技术概论》", 31 July 2011, 黄河水利出版社 *
袁立明: "基于特征选择的嵌入空间多示例学习算法研究", 《中国博士学位论文全文数据库信息科技辑》 *
赵宇兰: "《分布式数据库查询优化研究》", 31 July 2016, 电子科技大学出版社 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564117A (zh) * 2018-03-30 2018-09-21 华南理工大学 一种基于svm的贫困生辅助认定方法
CN108564117B (zh) * 2018-03-30 2022-03-29 华南理工大学 一种基于svm的贫困生辅助认定方法
CN108596104A (zh) * 2018-04-26 2018-09-28 安徽大学 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
CN108596118A (zh) * 2018-04-28 2018-09-28 北京师范大学 一种基于人工蜂群算法的遥感影像分类方法及系统
CN109902339A (zh) * 2019-01-18 2019-06-18 昆明理工大学 一种基于iaga-svm的滚动轴承故障诊断方法
CN110457545A (zh) * 2019-08-16 2019-11-15 第四范式（北京）技术有限公司 一种确定推荐系统中排序模型的参数的方法及装置
CN112380945A (zh) * 2020-11-06 2021-02-19 中国电力科学研究院有限公司 一种输电通道环境隐患的识别方法和系统
CN112380945B (zh) * 2020-11-06 2021-12-21 中国电力科学研究院有限公司 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统
CN112598036A (zh) * 2020-12-14 2021-04-02 湖北工业大学 一种网络流量分类方法和系统

Similar Documents

Publication Publication Date Title
CN106897703A (zh) 基于aga‑pkf‑svm的遥感影像分类方法
CN111612066B (zh) 基于深度融合的卷积神经网络的遥感图像分类方法
US11556797B2 (en) Systems and methods for polygon object annotation and a method of training an object annotation system
Abiri et al. Establishing strong imputation performance of a denoising autoencoder in a wide range of missing data problems
CN112418329B (zh) 一种基于多尺度纹理特征融合宫颈oct图像分类方法及系统
US20230316137A1 (en) Data analytics methods for spatial data, and related systems and devices
CN112862830B (zh) 一种多模态图像分割方法、系统、终端及可读存储介质
CN107977629A (zh) 一种基于特征分离对抗网络的人脸图像衰老合成方法
CN112084836A (zh) 机器学习系统
CN108122236A (zh) 基于距离调制损失的迭代式眼底图像血管分割方法
CN105354595A (zh) 一种鲁棒视觉图像分类方法及系统
Liu et al. Co-correcting: noise-tolerant medical image classification via mutual label correction
CN109165743A (zh) 一种基于深度压缩自编码器的半监督网络表示学习算法
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN102915527A (zh) 基于形态学成分分析的人脸图像超分辨率重建方法
CN110458133A (zh) 基于生成式对抗网络的轻量级人脸检测方法
CN112115967A (zh) 一种基于数据保护的图像增量学习方法
CN109389171A (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN105260995B (zh) 一种图像修复与去噪方法及系统
CN112884570A (zh) 一种模型安全性的确定方法、装置和设备
CN112967251B (zh) 图片检测方法、图片检测模型的训练方法及装置
CN116051382A (zh) 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法
US12026873B2 (en) Bone age assessment method for bone image
Liu et al. Evolving deep convolutional neural networks for hyperspectral image denoising
CN102750546A (zh) 基于结构化误差编码的人脸遮挡检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170627

RJ01 Rejection of invention patent application after publication