CN108764357A - 基于压缩-激发的聚合残差网络高光谱图像分类方法 - Google Patents

基于压缩-激发的聚合残差网络高光谱图像分类方法 Download PDF

Info

Publication number
CN108764357A
CN108764357A CN201810550435.1A CN201810550435A CN108764357A CN 108764357 A CN108764357 A CN 108764357A CN 201810550435 A CN201810550435 A CN 201810550435A CN 108764357 A CN108764357 A CN 108764357A
Authority
CN
China
Prior art keywords
residual error
compression
excitation
error network
high spectrum
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
CN201810550435.1A
Other languages
English (en)
Inventor
白静
张博
宋淑
徐航
焦李成
张帆
张丹
杨韦洁
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810550435.1A priority Critical patent/CN108764357A/zh
Publication of CN108764357A publication Critical patent/CN108764357A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于压缩‑激发的聚合残差网络高光谱图像分类方法，主要解决现有方法不能充分利用特征通道的相关性的问题。其方案为：1)对高光谱图像进行归一化和降维的预处理；2)对预处理后的前m个主成分中每个非背景像元选取固定大小的正方形邻域图像块，并将其构建为训练集和测试集；3)构建压缩‑激发的聚合残差网络，并利用训练集进行训练得到训练好的压缩‑激发的聚合残差网络；4)将测试集输入到训练好的压缩‑激发的聚合残差网络获得测试结果。本发明充分利用特征通道的相关性，能提取鲁棒性更强的空谱特征，提高了分类的准确率，可用于农业和环境监视。

Description

基于压缩-激发的聚合残差网络高光谱图像分类方法
技术领域
本发明属于遥感图像处理技术领域，涉及一种高光谱图像分类方法，可用于农业和环境监视。
背景技术
高光谱遥感图像是由高光谱传感器捕获的卫星图像，对于每个像素都有几十个乃至几百个光谱波段。因此，它可以提供丰富的信息而且具有很高的光谱分辨率，可广泛应用于军事、农业、环境监视等诸多领域。对高光谱图像进行处理分析在国际遥感领域极其重要，其中高光谱图像分类是高光谱信息处理的一个重要研究方向。然而，高光谱图像的精确分类仍然存在着一些难题，比如像素的维度较高、噪声干扰、较高的空间域和光谱域冗余。传统的浅层学习方法不能有效地提取有代表性的特征，造成区域分类混乱问题，因此现在很多研究利用深度卷计算机网络的方法来提取高光谱的鲁棒的、具有判别性的特征以此来提高分类精度。
Zilong Zhong等人在其发表的论文“Deep Residual Networks forHyperspectral Image Classification”(Geoscience and Remote Sensing SymposiumIEEE,2017)中提出一种基于深度残差网络的高光谱图像分类方法。该方法将待分类像元为中心的矩形内的数据立方体作为输入，然后构建了深度残差网络从中提取出具有代表性的特征，最后采用了多项式逻辑回归分类器预测当前像素的类别。该方法虽然使用了残差网络来避免了深度学习中随着网络层数的增加而产生的梯度弥散问题，但是仍然存在的不足之处是，深度残差网络只是从空间维度上提取高光谱特征，并没有考虑到特征通道之间的关系，从而对提高分类精度具有一定的局限性。
发明内容
本发明的目的是针对上述现有技术的不足，提出一种基于压缩-激发的聚合残差网络高光谱图像分类方法，以充分利用特征通道的相关性，提取鲁棒性更强的空谱特征，提高分类准确率。
本发明的技术方案是：首先对高光谱图像进行预处理，然后通过构造聚合残差网络模块学习高光谱图像的空间域特征，其次构造压缩-激活的网络模块，并将聚合残差网络模块嵌入到压缩-激法的网络模块中，从而构成压缩-激发的聚合残差网络模块，并将若干个相同结构的压缩-激发的聚合残差网络模块堆叠在一起构成压缩-激发的聚合残差网络，以此来得到鲁棒性更强的特征，最后采用多项式逻辑回归分类器获得待分类样本集的分类结果，具体实现步骤包括如下：
(1)输入一幅包含d个波段数的待分类高光谱图像P及该图像P的类别标签；
(2)对输入的高光谱图像P的像素值进行预处理，得到预处理后高光谱图像的前m个主成分PC；
(3)对预处理后的m个主成分PC中每个非背景像元取大小为27×27的正方形邻域图像块，得到取块后的每个邻域块大小为27×27×m的立方体；
(4)从所有邻域块中随机选择10％以及对应的类别标签作为训练样本集，并将剩余的邻域块和对应的类别标签作为测试样本集；
(5)构建压缩-激发的聚合残差网络:
(5a)设第一层为卷积核大小为3×3的预卷积层；
(5b)构建8条路径，每条路径中设有第二卷积层和第三卷积层，将8个路径的输出级联在一起得到路径汇总特征矩阵M，设第四卷积层为卷积核大小为1×1的卷积层，将路径汇总特征矩阵M输入到第四卷积层得到更深层的特征矩阵S，形成聚合残差网络模块；
(5c)设第一全连接层为激活函数是ReLu的全连接层，设第二全连接层为激活函数是sigmoid的全连接层，将第四卷积层得到更深层的特征矩阵S进行全局平均池化处理后，再经过第一全连接层和第二全连接层输出权值矩阵T，形成压缩-激发的网络模块；
(5d)将第四卷积层输出S乘以权值矩阵T，得到经过重标定的特征集U，形成压缩-激发的聚合残差网络模块；
(5e)将3个具有相同结构和参数的压缩-激发的聚合残差网络模块堆叠在一起，再对其进行全局平均池化后构建多项式逻辑回归分类器，形成压缩-激发的聚合残差网络；
(6)将训练样本集作为压缩-激发的聚合残差网络的输入，进行200次迭代的有监督训练，得到训练好的压缩-激发的聚合残差网络；
(7)将测试样本集输入到训练好的压缩-激发的聚合残差网络中，得到测试数据集中每个像素的分类结果。
本发明通过基于压缩-激发的聚合残差网络来提取高光谱图像的空谱特征，与现有技术中其他高光谱图像分类技术相比，能够充分利用特征通道的相关性，丰富和完善了特征信息，从而提取到鲁棒性更强的空谱特征，提高了分类的准确率。
附图说明
图1是本发明的实现流程图；
图2是本发明中构成的压缩-激发的网络模块结构图；
图3是本发明中构成的压缩-激发的聚合残差网络模块结构图；
图4是本发明仿真使用的一幅帕维亚大学高光谱图像；
图5是采用现有基于扩展形态学的方法对图3分类的仿真结果图；
图6是采用现有基于边缘保持滤波的方法对图3分类的仿真结果图；
图7是采用本发明对图3分类的仿真结果图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细说明。
参照图1，本发明的实现步骤如下：
步骤1，输入待分类高光谱图像。
输入一幅包含d个波段数的待分类高光谱图像P及该图像P的类别标签，本实施例输入一幅包含103个波段的帕维尔大学高光谱图像及该图像的类别标签。
步骤2，对输入的高光谱图像P的像素值进行预处理，得到预处理后高光谱图像的前m个主成分PC；
(2a)对高光谱图像P的像素值进行归一化操作，得到归一化后的图像X；
(2b)对归一化后的高光谱图像X进行降维处理；
(2b1)把归一化后的高光谱图像每个波段按照先列后行的顺序排列成一个列向量，得到向量组:X'＝[x1,x2,...,xp,...,xd]，其中，xp表示归一化后的高光谱图像X中第p个波段，其中p的范围是[1,d]，d是高光谱图像P的波段数；
(2b2)计算向量组X'的中心化向量组Y：
Y＝X'-E(X')，
其中，E(X')表示向量组X'的均值向量；
(2b3)计算中心化向量组Y的协方差矩阵Cov：
COV＝YYT
其中，YT表示中心化向量组Y的转置；
(2b4)对中心化向量组Y的协方差矩阵Cov进行特征分解，得到d个特征值w和对应的d个特征向量u；
(2b5)对d个特征值w对应的d个特征向量u进行排列，并对前mm个特征向量进行组合，得到变换矩U＝[u1,u2,...,um]；
(2b6)计算归一化后的高光谱图像X的前m个主成分：
PC＝X'U＝{PC1,PC2,...,PCs,...,PCm}，
其中，PCs表示第s个主成分，s的范围是[1,m]。
步骤3，选取样本集。
(3a)对预处理后的m个主成分PC中每个非背景像元取大小为27×27的正方形邻域图像块，得到取块后的每个邻域块大小为27×27×m的立方体；
(3b)从所有邻域块中随机选择10％以及对应的类别标签作为训练样本集，并将剩余的邻域块和对应的类别标签作为测试样本集；
步骤4，构建压缩-激发的聚合残差网络。
(4a)设第一层为卷积核大小为3×3的预卷积层，该预卷积层的特征映射图数量为64个；
(4b)构建8条路径，每条路径中设有第二卷积层和第三卷积层，该第二卷积层的卷积核大小设置为1，特征映射图的数量为64个，该第三卷积层的卷积核大小设置为3，特征映射图的数量为64个；将8个路径的输出级联在一起得到路径汇总特征矩阵M，设第四卷积层为卷积核大小为1×1的卷积层，该第四卷积层的特征映射数量为64个；将路径汇总特征矩阵M输入到第四卷积层得到更深层的特征矩阵S，形成聚合残差网络模块；
(4c)设第一全连接层为激活函数是ReLu的全连接层，其特征映射图个数设置为16；设第二全连接层为激活函数是sigmoid的全连接层，其特征映射图个数设置为64；将第四卷积层得到的更深层的特征矩阵S进行全局平均池化处理后，再经过第一全连接层和第二全连接层输出权值矩阵T，形成压缩-激发的网络模块，如图2所示；
(4d)将第四卷积层输出的更深层的特征矩阵S乘以权值矩阵T，得到经过重标定的特征集U，形成压缩-激发的聚合残差网络模块，如图3所示；
(4e)将3个具有相同结构和参数的压缩-激发的聚合残差网络模块堆叠在一起，再对其进行全局平均池化后构建多项式逻辑回归分类器，形成压缩-激发的聚合残差网络。
步骤5，对压缩-激发的聚合残差网络进行训练。
(5a)将训练数据集作为压缩-激发的聚合残差网络的输入，利用压缩-激发的聚合残差网络提取训练集中的特征，将压缩-激发的聚合残差网络的结果作为输出q；
(5b)计算上述输出q与其对应的图像P的像素的类别标签之间的误差，并对该误差进行反向传播；
(5c)重复迭代(5a)和(5b)共200次，得到优化后的压缩-激发的聚合残差网络的参数。
步骤6，将测试样本集输入到训练好的压缩-激发的聚合残差网络中，得到测试数据集中每个像素的分类结果。
利用不同的颜色，对分类后得到的类别上色，得到上色后的高光谱图像并输出，本实施例中的帕维尔大学高光谱图像，采用9种颜色对9个不同类别的像素进行上色，得到上色后的帕维尔大学高光谱图像。
以下结合仿真实验，对本发明的技术效果进行说明。
1.仿真条件、内容及结果分析。
(1)仿真条件
硬件平台为：Inter Core i5-3210M CPU@2.50GHz、64GB RAM；
软件平台为：keras2.0
图4是本发明的仿真实验所使用帕维尔大学高光谱图像，图像共包含103个波段和9类地物，图像格式为TIF。
(2)仿真内容与结果
仿真实验一，采用已有的基于扩展形态学分类方法对图4所示的帕维尔大学高光谱图像进行分类仿真，结果如图5所示。从图5可以看出对于同质区域能够正确的分类，但是存在小类别区域和边缘区域错分的现象。
仿真实验二，采用已有的基于边缘保持滤波分类方法对图4所示的帕维尔大学高光谱图像进行分类仿真，其结果如图6所示。从图6可以看出虽然对于同质区域能够正确的分类，但是存在小类别区域和边缘区域错分的现象。
仿真实验三，采用本发明对图4所示的帕维尔大学高光谱图像进行分类仿真，其结果如图7所示。从图7可以看出在边缘区域和小类别区域都能达到理想的分类效果。
为了进一步验证本发明的技术效果，计算本发明和两种对比方法在仿真实验中得到的各类分类精度OA、总精度AA、平均精度以及卡方系数Kappa，结果如表1所示：
表1
类名 EMP EPF 本发明
沥青 93.18 97.40 99.02
草甸 98.78 99.33 99.80
碎石 88.12 99.94 98.91
树林 94.97 99.19 96.10
金属板 99.69 100 100
裸土 98.14 94.49 99.58
柏油 87.57 100 99.92
石砖 96.25 92.62 98.95
阴影 88.61 99.34 83.02
OA 96.25 97.87 98.83
AA 93.92 98.03 97.26
KAPPA 95.03 97.14 98.51
表1中，总精度OA为正确分类的样本占所有样本的比例，值越大，说明分类效果越好；平均精度AA为每一类分类精度的平均值，值越大，说明分类效果越好；卡方系数Kappa为混淆矩阵中不同的权值，值越大，说明分类效果越好。EMP表示现有的基于扩展形态学的方法，EPF表示现有的基于边缘保持滤波的方法。
从表1可见，本发明的总精度和卡方系数明显地提高。
综上所述，本发明通过基于压缩-激发的聚合残差网络来提取高光谱图像的空谱特征，与现有技术中其他高光谱图像分类技术相比，能够充分利用特征通道的相关性，丰富和完善了特征信息，从而提取到鲁棒性更强的空谱特征，在边缘区域和小类别区域都能达到理想的分类效果。

Claims (5)

1.一种基于压缩-激发的聚合残差网络高光谱图像分类方法，包括：
(1)输入一幅包含d个波段数的待分类高光谱图像P及该图像P的类别标签；
(2)对输入的高光谱图像P的像素值进行预处理，得到预处理后高光谱图像的前m个主成分PC；
(3)对预处理后的m个主成分PC中每个非背景像元取大小为27×27的正方形邻域图像块，得到取块后的每个邻域块大小为27×27×m的立方体；
(4)从所有邻域块中随机选择10％以及对应的类别标签作为训练样本集，并将剩余的邻域块和对应的类别标签作为测试样本集；
(5)构建压缩-激发的聚合残差网络:
(5a)设第一层为卷积核大小为3×3的预卷积层；
(5b)构建8条路径，每条路径中设有第二卷积层和第三卷积层，将8个路径的输出级联在一起得到路径汇总特征矩阵M，设第四卷积层为卷积核大小为1×1的卷积层，将路径汇总特征矩阵M输入到第四卷积层得到更深层的特征矩阵S，形成聚合残差网络模块；
(5c)设第一全连接层为激活函数是ReLu的全连接层，设第二全连接层为激活函数是sigmoid的全连接层，将第四卷积层得到更深层的特征矩阵S进行全局平均池化处理后，再经过第一全连接层和第二全连接层输出权值矩阵T，形成压缩-激发的网络模块；
(5d)将第四卷积层输出S乘以权值矩阵T，得到经过重标定的特征集U，形成压缩-激发的聚合残差网络模块；
(5e)将3个具有相同结构和参数的压缩-激发的聚合残差网络模块堆叠在一起，再对其进行全局平均池化后构建多项式逻辑回归分类器，形成压缩-激发的聚合残差网络；
(6)将训练样本集作为压缩-激发的聚合残差网络的输入，进行200次迭代的有监督训练，得到训练好的压缩-激发的聚合残差网络；
(7)将测试样本集输入到训练好的压缩-激发的聚合残差网络中，得到测试数据集中每个像素的分类结果。
2.根据权利要求1所述的方法，其中步骤(2)中对输入的高光谱图像P的像素值进行预处理:
(2a)对高光谱图像P的像素值进行归一化操作，得到归一化后的图像X；
(2b)对归一化后的高光谱图像X进行降维处理；
(2b1)把归一化后的高光谱图像每个波段按照先列后行的顺序排列成一个列向量，得到向量组:X'＝[x1,x2,...,xp,...,xd]，其中，xp表示归一化后的高光谱图像X中第p个波段，其中p的范围是[1,d]，d是高光谱图像P的波段数；
(2b2)计算向量组X′的中心化向量组Y：
Y＝X'-E(X')
其中，E(X')表示向量组X'的均值向量；
(2b3)计算中心化向量组Y的协方差矩阵Cov：
COV＝YYT
其中，YT表示中心化向量组Y的转置；
(2b4)对中心化向量组Y的协方差矩阵Cov进行特征分解，得到d个特征值w和对应的d个特征向量u；
(2b5)对d个特征值w对应的d个特征向量u进行排列，并对前mm个特征向量进行组合，得到变换矩U＝[u1,u2,...,um]；
(2b6)计算归一化后的高光谱图像X的前m个主成分：
PC＝X'U＝{PC1,PC2,...,PCs,...,PCm}，
其中，PCs表示第s个主成分，s的范围是[1,m]。
3.根据权利要求1所述的方法，其中步骤(5a)中所形成的第一预卷积层,其特征映射图的数量设为64个。
4.根据权利要求1所述的方法，其中步骤(5b)中所形成的聚合残差网络模块各层参数设置如下：
第二卷积层的卷积核的大小设置为1，特征映射图的数量为64个；
第三卷积层的卷积核的大小设置为3，特征映射图的数量为64个；
第四卷积层的特征映射数量为64个。
5.根据权利要求1所述的方法，其中步骤(5c)中的两个连接层，其特征映射图个数分别为：第一全连接层特征映射图个数设置为16；第二全连接层特征映射图个数设置为64。
CN201810550435.1A 2018-05-31 2018-05-31 基于压缩-激发的聚合残差网络高光谱图像分类方法 Pending CN108764357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810550435.1A CN108764357A (zh) 2018-05-31 2018-05-31 基于压缩-激发的聚合残差网络高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810550435.1A CN108764357A (zh) 2018-05-31 2018-05-31 基于压缩-激发的聚合残差网络高光谱图像分类方法

Publications (1)

Publication Number Publication Date
CN108764357A true CN108764357A (zh) 2018-11-06

Family

ID=64001461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810550435.1A Pending CN108764357A (zh) 2018-05-31 2018-05-31 基于压缩-激发的聚合残差网络高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN108764357A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784420A (zh) * 2019-01-29 2019-05-21 深圳市商汤科技有限公司 一种图像处理方法及装置、计算机设备和存储介质
CN109801269A (zh) * 2018-12-29 2019-05-24 华南理工大学 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
CN111259954A (zh) * 2020-01-15 2020-06-09 北京工业大学 一种基于D-Resnet的高光谱中医舌苔舌质分类方法
CN111797941A (zh) * 2020-07-20 2020-10-20 中国科学院长春光学精密机械与物理研究所 携带光谱信息和空间信息的图像分类方法及系统
CN114264626A (zh) * 2021-12-18 2022-04-01 复旦大学 一种基于时间序列残差网络的织物无损定量分析方法

Citations (5)

* Cited by examiner, † Cited by third party
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
CN104809471A (zh) * 2015-04-27 2015-07-29 哈尔滨工程大学 一种基于空间光谱信息的高光谱图像残差融合分类方法
CN106503729A (zh) * 2016-09-29 2017-03-15 天津大学 一种基于顶层权值的图像卷积特征的生成方法
CN106650781A (zh) * 2016-10-21 2017-05-10 广东工业大学 一种卷积神经网络图像识别方法及装置
CN107832797A (zh) * 2017-11-17 2018-03-23 西安电子科技大学 基于深度融合残差网的多光谱图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN104809471A (zh) * 2015-04-27 2015-07-29 哈尔滨工程大学 一种基于空间光谱信息的高光谱图像残差融合分类方法
CN106503729A (zh) * 2016-09-29 2017-03-15 天津大学 一种基于顶层权值的图像卷积特征的生成方法
CN106650781A (zh) * 2016-10-21 2017-05-10 广东工业大学 一种卷积神经网络图像识别方法及装置
CN107832797A (zh) * 2017-11-17 2018-03-23 西安电子科技大学 基于深度融合残差网的多光谱图像分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HU J 等: ""Squeeze-and-excitation networks"", 《ARXIV PREPRINT ARXIV:1709.01507》 *
SAINING XIE等: ""Aggregated Residual Transformations for Deep Neural Networks"", 《ARXIV:1611.05431》 *
李铁 等: ""高光谱遥感图像空谱联合分类方法研究"", 《仪器仪表学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801269A (zh) * 2018-12-29 2019-05-24 华南理工大学 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
CN109784420A (zh) * 2019-01-29 2019-05-21 深圳市商汤科技有限公司 一种图像处理方法及装置、计算机设备和存储介质
CN111259954A (zh) * 2020-01-15 2020-06-09 北京工业大学 一种基于D-Resnet的高光谱中医舌苔舌质分类方法
CN111797941A (zh) * 2020-07-20 2020-10-20 中国科学院长春光学精密机械与物理研究所 携带光谱信息和空间信息的图像分类方法及系统
CN114264626A (zh) * 2021-12-18 2022-04-01 复旦大学 一种基于时间序列残差网络的织物无损定量分析方法

Similar Documents

Publication Publication Date Title
CN108764357A (zh) 基于压缩-激发的聚合残差网络高光谱图像分类方法
CN105868793B (zh) 基于多尺度深度滤波器的极化sar图像分类方法
He et al. Optimized input for CNN-based hyperspectral image classification using spatial transformer network
CN107563428B (zh) 基于生成对抗网络的极化sar图像分类方法
CN108564006B (zh) 基于自步学习卷积神经网络的极化sar地物分类方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN108460342A (zh) 基于卷积网和循环神经网络的高光谱图像分类方法
He et al. Texture classification of PolSAR data based on sparse coding of wavelet polarization textons
CN107451614B (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
CN108154192A (zh) 基于多尺度卷积与特征融合的高分辨sar地物分类方法
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN102651073B (zh) 基于稀疏动态集成选择的sar图像地物分类方法
CN108830243A (zh) 基于胶囊网络的高光谱图像分类方法
CN104123555B (zh) 一种基于稀疏表示和超像素的极化sar地物分类方法
CN103886336B (zh) 基于稀疏自动编码器的极化sar图像分类方法
CN107657271B (zh) 基于长短时记忆网络的高光谱图像分类方法
CN108764173A (zh) 基于多类生成对抗网络的高光谱图像分类方法
CN109344698A (zh) 基于可分离卷积和硬阈值函数的高光谱波段选择方法
CN109389080A (zh) 基于半监督wgan-gp的高光谱图像分类方法
CN105069478B (zh) 基于超像素张量稀疏编码的高光谱遥感地物分类方法
CN107992891A (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
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
CN110533077A (zh) 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
CN108280396A (zh) 基于深度多特征主动迁移网络的高光谱图像分类方法
CN107292336A (zh) 一种基于dcgan的极化sar图像分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181106