CN107909015A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107909015A CN107909015A CN201711056964.8A CN201711056964A CN107909015A CN 107909015 A CN107909015 A CN 107909015A CN 201711056964 A CN201711056964 A CN 201711056964A CN 107909015 A CN107909015 A CN 107909015A
- Authority
- CN
- China
- Prior art keywords
- information
- spectral
- neural networks
- spectrum
- convolutional neural
- 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
- 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
- G06F18/21—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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
-
- 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
本发明公开了一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法,包括如下步骤:S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息,并将空间信息与光谱信息合并,作为一个样品的特征信息;S2、随机划分训练集与测试集数据;S3、将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络,训练分类模型;S4、将包括空间信息和光谱信息的训练集样本放入分类模型,进行分类预测。其中卷积神经网络采用不同大小的卷积核进行卷积操作,可有效提取高光谱中光谱维中不同分辨率的特征信息;此外,同时将光谱维信息与空间维信息输入神经网络进行学习,充分利用了高光谱“双高分辨率”的特征,算法结构简单且能够显著提升分类精度。
Description
技术领域
本发明涉及高光谱图像处理技术领域,具体涉及一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法。
背景技术
高光谱遥感数据结合了光谱技术与成像技术,得到二维空间数据与一维光谱数据联合的三维数据块,并具有高光谱分辨率、高空间分辨率的“双高特性”。高光谱数据对于空间目标探测、土壤成分分析、植被种类识别等方面具有广泛的应用前景。因此,高光谱图像分类问题一直备受关注。传统的高光谱图像分类一般是利用光谱维的信息对像素点进行分类,常用的方法包括:支持向量机 (SVM)、K近邻算法(K-NN)、神经网络(ANN)、决策树(DT)与随机森林(RF)等。然而,单纯使用光谱特征信息进行分类,忽略与浪费了高光谱数据丰富的空间图像信息,很容易使分类结果出现“麻点”现象,分类精度不高。
目前,将光谱信息与空间信息结合进行高光谱数据分类的方法,主要包括两大类:基于形态学的方法和基于邻域模型的方法。基于形态学的方法主要是通过空间维特征提取的方式挖掘地物空间相关性的信息,然后与光谱维特征融合后进行分类。而基于邻域模型的分类方法是在模型构造时,就将地物空间分布的相关性考虑进去,主要包括马尔可夫随机场(MRF)算法、图像分割投票算法等。空谱信息融合对高光谱图像分类精度有显著的提升作用,然而这些空间信息提取与融合的方法比较复杂,并且参数设置受人为影响较大。
随着深度学习技术的快速发展,不少基于卷积神经网络的高光谱数据分类方法被提出。最近,Yushi Chen等人发表的论文(IEEE Transactions on Geoscience and RemoteSensing,Vol.54,No.10,2016)利用三维卷积神经网络,将高光谱图像进行分割后,对子三维数据块进行分类学习。这种方法很好的利用了光谱维与空间维的信息,分类精度很高,然而仍然存在着训练量大,耗时长,数据量小时训练困难的问题。
发明内容
有鉴于此,为了解决现有技术中的上述问题,本发明提出一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法,充分利用了光谱维与空间维信息,并且利用了运算较为简单的一维卷积神经网络,提升分类精度的同时,模型复杂度较低。
本发明通过以下技术手段解决上述问题:
一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法,包括如下步骤:
S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息,并将空间信息与光谱信息合并,作为一个样品的特征信息;
S2、随机划分训练集与测试集数据;
S3、将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络,训练分类模型;
S4、将包括空间信息和光谱信息的测试集样本放入分类模型,进行分类预测。
进一步地,S3中的卷积神经网络的具体结构与步骤如下:
S31、输入层:训练集样本F放入分类模型,将光谱维信息Spectral及空间维信息Spatial分别从空谱联合信息F中取出;
S32、卷积层:将Spectral信息放入一维卷积层进行进一步的特征提取,提取后的光谱信息输出记为Spectral’;
S33、融合层:融合Spectral’信息与Spatial信息;
S34、全连接层:融合层的输出进入全连接层;
S35、输出层:全连接层的输出进入输出层,预测分类结果。
进一步地,S32中的卷积层的具体结构与步骤如下:
S321:采用不同尺寸的卷积核进行特征提取,记为一个Inception模块;
S322:小尺度特征提取,进行小尺寸卷积核运算,卷积核大小为m1×1×n,非线性激励函数为relu,记为Branch1层;
S323:中尺度特征提取,进行中尺寸卷积核运算,卷积核大小为m2×1×n,记为Branch2层;
S324:大尺度特征提取,进行大尺寸卷积核运算,卷积核大小为m3×1×n,非线性激励函数为relu,记为Branch3层;
m1、m2、m3为自然数,符合m1<m2<m3的关系;
S325:信息融合层,将Branch1层、Branch2层和Branch3层的输出进行信息融合;
S326:池化层,以大小为s的窗口进行最大值子采样;
经过以上步骤得到Spectral’信息。
进一步地,步骤S33中,卷积神经网络中的空间维信息Spectral’与光谱维信Spatial融合层,采用级联方式进行信息融合,级联轴为1,即以信号延长方式进行级联。
与现有技术相比,本发明的有益效果如下:
1)本发明采用不同尺寸的一维卷积核,以并联方式对光谱数据进行信息提取,最后采用级联方式,进行信息融合,该卷积神经网络结构可以有效提取不同分辨率的光谱信息;
2)该卷积神经网络将像素点的空间坐标作为空间信息,在神经网络中与光谱信息进行融合。与目前的基于马尔可夫随机场的邻域算法以及3D卷积神经网络相比,本方法不但可以充分提取空间相关信息,而且模型复杂度低,计算量较小,具有精度高、计算快的优势。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明基于卷积神经网络与空谱信息融合的高光谱图像分类方法的流程图;
图2是本发明中卷积神经网络结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明基于卷积神经网络与空谱信息融合的高光谱图像分类方法的流程图,该方法包括以下步骤:
S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息,记为 Spatial={xi,xj},并将空间信息与光谱信息(Spectral={S1,S2,…,Sn})合并,记作F={S1,S2,…Sn,xi,xj},作为一个样品的特征信息;
S2、随机划分训练集与测试集数据;
S3、将包括空间信息与光谱信息的训练集样本Ftrain放入一维卷积神经网络,训练分类模型;
S4、将包括空间信息和光谱信息的测试集样本Ftest放入分类模型,进行分类预测。
图2是基于一维卷积神经网络及空谱信息融合的高光谱图像分类方法中的卷积神经网络结构示意图,其中S3中的卷积神经网络的具体结构与步骤如下:
S31、输入层:样本F放入分类模型,将光谱维信息Spectral及空间维信息 Spatial分别从空谱联合信息F中取出。
S32、卷积层:将Spectral信息放入一维卷积层进行进一步的特征提取,提取后的光谱信息输出记为Spectral’;
其中S32中的卷积层的具体结构与步骤如下:
S321:采用不同尺寸的卷积核进行特征提取,记为一个Inception模块;
S322:小尺度特征提取,进行小尺寸卷积核运算,卷积核大小为m1×1×n,非线性激励函数为relu,记为Branch1层;
S323:中尺度特征提取,进行中尺寸卷积核运算,卷积核大小为m2×1×n,记为Branch2层;
S324:大尺度特征提取,进行大尺寸卷积核运算,卷积核大小为m3×1×n,非线性激励函数为relu,记为Branch3层;
m1、m2、m3为自然数,符合m1<m2<m3的关系;
S325:信息融合层,采用级联方式将Branch1层、Branch2层和Branch3层的输出进行信息融合;
S326:池化层,以大小为s的窗口进行最大值子采样;
经过以上步骤得到Spectral’信息;
S33、融合层:以级联方式融合Spectral’信息与Spatial信息;
S34、全连接层:融合层的输出进入全连接层;
S35、输出层:全连接层的输出进入输出层,预测分类结果。
现结合一个具体的实施方式对本发明的方法进行进一步的说明。
本实施例采用Pavia University和Salinas高光谱数据集,利用本发明所述方法进行分类。在整体高光谱图像中随机划分训练集与测试集。其中,Pavia University数据集训练集样本个数共4200个,测试集样本共38650个,具体划分见表1。Salinas数据集训练集样本个数共7100个,测试集样本共47029个,具体划分见表2。将每一像素点在图中的位置坐标(xi,yi)提取出来,连接至光谱数据中。Pavia University数据集每个样本光谱信息共103个数据点,空谱联合信息共105个数据点。Salinas数据集每个样本光谱信息共204个数据点,空谱联合信息共206个数据点。
分别将训练集样本放入上述卷积神经网络进行训练,学习率设置为0.001,训练循环次数设置为250次。训练结束后,将测试集放入模型进行预测。采用以下几个指标评价模型:
1)子类正确率:指测试集每个子类的分类正确率;
2)平均正确率(AA):指测试集各分类平均的分类正确率;
3)、总体正确率(OA):指测试集所有样本平均的分类正确率
同时,采用传统的光谱信息神经网络方法作为比对方法。该方法将光谱维信息作为样本输入信息。对比方法中神经网络隐含层层数为2,两层节点数分别为128与64,学习率与训练迭代次数设置为与本发明所述方法相同。同样采用以上三个评价指标进行预测能力评价。传统神经网络方法与发明所述方法得到的分类结果对比见表1与表2。
表1、Pavia University数据集采用传统神经网络分类方法与本发明所述方法得到的分类结果对比
表2、Salinas数据集采用传统神经网络分类方法与本发明所述方法得到的分类结
果对比
类别 | 训练集个数 | 测试集个数 | 传统神经网络 | 本发明方法 |
Brocoli_green_weed_1 | 500 | 1509 | 98.80% | 100% |
Brocoli_green_weed_2 | 500 | 3226 | 99.81% | 99.94% |
Fallow | 300 | 1676 | 95.40% | 100% |
Fallow_rough_plow | 300 | 1094 | 99.82% | 99.91% |
Fallow_smooth | 500 | 2178 | 98.67% | 98.71% |
Stubble | 500 | 3459 | 99.94% | 99.94% |
Celery | 500 | 3079 | 99.51% | 99.87% |
Grapes_untrained | 1000 | 10271 | 86.01% | 99.73% |
Soil_vinyard_develop | 500 | 5703 | 99.77% | 100% |
Corn_sensced_green_weeds | 500 | 2778 | 93.52% | 98.60% |
Lettuce_romaine_4wk | 300 | 768 | 98.18% | 99.61% |
Lettuce_romaine_5wk | 300 | 1627 | 100% | 99.88% |
Lettuce_romaine_6wk | 300 | 616 | 100% | 98.38% |
Lettuce_romaine_7wk | 300 | 770 | 93.90% | 98.18% |
Vinyard_untrained | 500 | 6768 | 62.10% | 99.62% |
Vinyard_vertical_trellis | 300 | 1507 | 99.00% | 99.93% |
各类平均正确率(AA) | 95.28% | 99.52% | ||
总体正确率(OA) | 90.60% | 99.66% |
由分类结果对比可知,本发明的方法对于Pavia University数据集的总体正确率为99.15%,相比传统神经网络分类方法提升了近5%,各类平均正确率为 99.23%,相比传统神经网络分类方法也提升了5%,子类的正确率最高提升了 18%。对于Salinas数据集,本发明所述方法总体分类正确率为99.66%,比传统神经网络分类方法提升了10%,各类平均正确率为99.52%,相比传统神经网络分类方法提升了4%,子类的正确率最高提升了37%。
本发明采用不同尺寸的一维卷积核,以并联方式对光谱数据进行信息提取,最后采用级联方式,进行信息融合,该卷积神经网络结构可以有效提取不同分辨率的光谱信息;同时,将像素点的在图片中的空间坐标作为空间信息,在神经网络中与光谱信息进行融合。与目前的基于马尔可夫随机场的邻域算法以及 3D卷积神经网络相比,本方法不但可以充分提取空间相关信息,而且模型复杂度低,计算量较小,具有精度高、计算快的优势。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于卷积神经网络与空谱信息融合的高光谱图像分类方法,其特征在于,包括如下步骤:
S1、提取高光谱图像每一像素点的X、Y轴坐标作为空间信息,并将空间信息与光谱信息合并,作为一个样品的特征信息;
S2、随机划分训练集与测试集数据;
S3、将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络,训练分类模型;
S4、将包括空间信息和光谱信息的测试集样本放入分类模型,进行分类预测。
2.根据权利要求1所述的基于卷积神经网络与空谱信息融合的高光谱图像分类方法,其特征在于,S3中的卷积神经网络的具体结构与步骤如下:
S31、输入层:训练集样本F放入分类模型,将光谱维信息Spectral及空间维信息Spatial分别从空谱联合信息F中取出;
S32、卷积层:将Spectral信息放入一维卷积层进行进一步的特征提取,提取后的光谱信息输出记为Spectral’;
S33、融合层:融合Spectral’信息与Spatial信息;
S34、全连接层:融合层的输出进入全连接层;
S35、输出层:全连接层的输出进入输出层,预测分类结果。
3.根据权利要求2所述的基于卷积神经网络与空谱信息融合的高光谱图像分类方法,其特征在于,S32中的卷积层的具体结构与步骤如下:
S321:采用不同尺寸的卷积核进行特征提取,记为一个Inception模块;
S322:小尺度特征提取,进行小尺寸卷积核运算,卷积核大小为m1×1×n,非线性激励函数为relu,记为Branch1层;
S323:中尺度特征提取,进行中尺寸卷积核运算,卷积核大小为m2×1×n,记为Branch2层;
S324:大尺度特征提取,进行大尺寸卷积核运算,卷积核大小为m3×1×n,非线性激励函数为relu,记为Branch3层;
m1、m2、m3为自然数,符合m1<m2<m3的关系;
S325:信息融合层,将Branch1层、Branch2层和Branch3层的输出进行信息融合;
S326:池化层,以大小为s的窗口进行最大值子采样;
经过以上步骤得到Spectral’信息。
4.根据权利要求2所述的基于卷积神经网络与空谱信息融合的高光谱图像分类方法,其特征在于,步骤S33中,卷积神经网络中的空间维信息Spectral’与光谱维信Spatial融合层,采用级联方式进行信息融合,级联轴为1,即以信号延长方式进行级联。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056964.8A CN107909015A (zh) | 2017-10-27 | 2017-10-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056964.8A CN107909015A (zh) | 2017-10-27 | 2017-10-27 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107909015A true CN107909015A (zh) | 2018-04-13 |
Family
ID=61842474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711056964.8A Pending CN107909015A (zh) | 2017-10-27 | 2017-10-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107909015A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003223A (zh) * | 2018-07-13 | 2018-12-14 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
CN109145992A (zh) * | 2018-08-27 | 2019-01-04 | 西安电子科技大学 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109785302A (zh) * | 2018-12-27 | 2019-05-21 | 中国科学院西安光学精密机械研究所 | 一种空谱联合特征学习网络及多光谱变化检测方法 |
CN110210420A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 基于融合高光谱图像和dsm数据的分类方法 |
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 |
CN110348538A (zh) * | 2019-07-18 | 2019-10-18 | 安徽理工大学 | 一种多光谱光谱信息和1d-cnn的煤矸识别方法 |
CN110378295A (zh) * | 2019-07-22 | 2019-10-25 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
CN110675403A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 一种基于编码辅助信息的多实例图像分割方法 |
CN110890143A (zh) * | 2019-11-21 | 2020-03-17 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN110991236A (zh) * | 2019-10-29 | 2020-04-10 | 成都华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN111104869A (zh) * | 2019-11-26 | 2020-05-05 | 杭州电子科技大学 | 一种可识别小字符内容的工尺谱数字化方法 |
CN111144423A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
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 |
CN111612704A (zh) * | 2020-04-24 | 2020-09-01 | 广东省智能制造研究所 | 一种连续太赫兹波图像的带状纹理噪声去噪方法 |
CN111723731A (zh) * | 2020-06-18 | 2020-09-29 | 西安电子科技大学 | 基于空谱卷积核的高光谱图像分类方法、存储介质及设备 |
CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
CN111914916A (zh) * | 2020-07-22 | 2020-11-10 | 河海大学 | 基于双路卷积融合神经网络的高光谱图像分类模型及方法 |
CN112446392A (zh) * | 2019-08-28 | 2021-03-05 | 银河水滴科技(北京)有限公司 | 密封圈分类模型的训练、密封圈的分类方法及装置 |
CN112489192A (zh) * | 2020-09-11 | 2021-03-12 | 清华大学 | 用于温度成像的数据处理方法、装置以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 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 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
-
2017
- 2017-10-27 CN CN201711056964.8A patent/CN107909015A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654117A (zh) * | 2015-12-25 | 2016-06-08 | 西北工业大学 | 基于sae深度网络的高光谱图像空谱联合的分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 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 |
CN107220606A (zh) * | 2017-05-22 | 2017-09-29 | 西安电子科技大学 | 基于一维卷积神经网络的雷达辐射源信号的识别方法 |
Non-Patent Citations (1)
Title |
---|
蔡慧苹: "基于卷积神经网络的短文本分类方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003223A (zh) * | 2018-07-13 | 2018-12-14 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
CN109003223B (zh) * | 2018-07-13 | 2020-02-28 | 北京字节跳动网络技术有限公司 | 图片处理方法和装置 |
CN109272010A (zh) * | 2018-07-27 | 2019-01-25 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109272010B (zh) * | 2018-07-27 | 2021-06-29 | 吉林大学 | 基于卷积神经网络的多尺度遥感图像融合方法 |
CN109145992A (zh) * | 2018-08-27 | 2019-01-04 | 西安电子科技大学 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
CN109145992B (zh) * | 2018-08-27 | 2021-07-20 | 西安电子科技大学 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
CN109785302A (zh) * | 2018-12-27 | 2019-05-21 | 中国科学院西安光学精密机械研究所 | 一种空谱联合特征学习网络及多光谱变化检测方法 |
CN110210420A (zh) * | 2019-06-05 | 2019-09-06 | 哈尔滨工业大学 | 基于融合高光谱图像和dsm数据的分类方法 |
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 |
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 |
CN110348538A (zh) * | 2019-07-18 | 2019-10-18 | 安徽理工大学 | 一种多光谱光谱信息和1d-cnn的煤矸识别方法 |
CN110348538B (zh) * | 2019-07-18 | 2023-01-03 | 安徽理工大学 | 一种多光谱光谱信息和1d-cnn的煤矸识别方法 |
CN110378295A (zh) * | 2019-07-22 | 2019-10-25 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
CN110378295B (zh) * | 2019-07-22 | 2022-12-20 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
CN112446392A (zh) * | 2019-08-28 | 2021-03-05 | 银河水滴科技(北京)有限公司 | 密封圈分类模型的训练、密封圈的分类方法及装置 |
CN110675403A (zh) * | 2019-08-30 | 2020-01-10 | 电子科技大学 | 一种基于编码辅助信息的多实例图像分割方法 |
CN110675403B (zh) * | 2019-08-30 | 2022-05-03 | 电子科技大学 | 一种基于编码辅助信息的多实例图像分割方法 |
CN110991236A (zh) * | 2019-10-29 | 2020-04-10 | 成都华为技术有限公司 | 一种图像分类的方法及相关装置 |
WO2021082480A1 (zh) * | 2019-10-29 | 2021-05-06 | 华为技术有限公司 | 一种图像分类的方法及相关装置 |
CN110890143A (zh) * | 2019-11-21 | 2020-03-17 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN110890143B (zh) * | 2019-11-21 | 2022-03-08 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN111104869A (zh) * | 2019-11-26 | 2020-05-05 | 杭州电子科技大学 | 一种可识别小字符内容的工尺谱数字化方法 |
CN111144423B (zh) * | 2019-12-26 | 2023-05-05 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
CN111144423A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
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 |
CN111612704A (zh) * | 2020-04-24 | 2020-09-01 | 广东省智能制造研究所 | 一种连续太赫兹波图像的带状纹理噪声去噪方法 |
CN111723731A (zh) * | 2020-06-18 | 2020-09-29 | 西安电子科技大学 | 基于空谱卷积核的高光谱图像分类方法、存储介质及设备 |
CN111723731B (zh) * | 2020-06-18 | 2023-09-29 | 西安电子科技大学 | 基于空谱卷积核的高光谱图像分类方法、存储介质及设备 |
CN111767828B (zh) * | 2020-06-28 | 2023-12-08 | 京东科技控股股份有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
CN111767828A (zh) * | 2020-06-28 | 2020-10-13 | 京东数字科技控股有限公司 | 证件图像翻拍识别方法、装置、电子设备和存储介质 |
CN111914916A (zh) * | 2020-07-22 | 2020-11-10 | 河海大学 | 基于双路卷积融合神经网络的高光谱图像分类模型及方法 |
CN112489192A (zh) * | 2020-09-11 | 2021-03-12 | 清华大学 | 用于温度成像的数据处理方法、装置以及设备 |
CN112489192B (zh) * | 2020-09-11 | 2022-12-16 | 清华大学 | 用于温度成像的数据处理方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909015A (zh) | 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 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
Wu et al. | Extracting apple tree crown information from remote imagery using deep learning | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
Liu et al. | Automatic detection of oil palm tree from UAV images based on the deep learning method | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
Alidoost et al. | A CNN-based approach for automatic building detection and recognition of roof types using a single aerial image | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN111126287A (zh) | 一种遥感影像密集目标深度学习检测方法 | |
Shakya et al. | Parametric study of convolutional neural network based remote sensing image classification | |
Abdollahi et al. | Extraction of road features from UAV images using a novel level set segmentation approach | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
Yang et al. | Semantic segmentation of high spatial resolution images with deep neural networks | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN106683102A (zh) | 基于脊波滤波器和卷积结构模型的sar图像分割方法 | |
Ma et al. | Improving segmentation accuracy for ears of winter wheat at flowering stage by semantic segmentation | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
Norzaki et al. | A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting | |
Ma et al. | Towards improved accuracy of UAV-based wheat ears counting: A transfer learning method of the ground-based fully convolutional network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
RJ01 | Rejection of invention patent application after publication |