CN108985365A - 基于深度子空间切换集成学习的多源异构数据融合方法 - Google Patents
基于深度子空间切换集成学习的多源异构数据融合方法 Download PDFInfo
- Publication number
- CN108985365A CN108985365A CN201810732829.9A CN201810732829A CN108985365A CN 108985365 A CN108985365 A CN 108985365A CN 201810732829 A CN201810732829 A CN 201810732829A CN 108985365 A CN108985365 A CN 108985365A
- Authority
- CN
- China
- Prior art keywords
- sample
- classification
- depth
- fusion method
- data fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000005215 recombination Methods 0.000 claims abstract description 4
- 230000006798 recombination Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 27
- 230000010354 integration Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000002329 infrared spectrum Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000001069 Raman spectroscopy Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002211 ultraviolet spectrum Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000000701 chemical imaging Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 13
- 235000011613 Pinus brutia Nutrition 0.000 description 13
- 241000018646 Pinus brutia Species 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001319 headspace solid-phase micro-extraction Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001793 Wilcoxon signed-rank test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度子空间切换集成学习的多源异构数据融合方法，按照以下步骤进行：S1：分别对每个源数据集进行特征提取，并组成空谱特征；S2：重组构成空谱特征数据集；S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；S4：针对三组样本集，分别构建分类器模型；S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。其效果是：本发明联合光谱空间信息并融入分层子空间切换集成学习算法，利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量，既保留了边缘信息，又提高了样本的多样性和可分性。
Description
技术领域
本发明涉及人工智能技术，具体涉及到一种基于深度子空间切换集成学习的多源异构数据融合方法。
背景技术
光谱图像具有十分丰富的光谱和空间信息，这些信息能够准确反映不同地物或组织类别之间的属性差异，并实现其精确提取和识别，为更高精度的光谱影像分析与应用奠定良好基础。但是光谱影像维数高、波段相关性大、存在噪声以及独特的非线性特征等图像特征，给光谱影像分析与处理带来了巨大挑战。传统的光谱影像分类方法通常仅利用像元光谱特征来进行地物分类，而未考虑影像中所蕴含的丰富的空间信息，如空间结构信息、像素位置和距离信息等。这些研究方法获得的分类精度已经达到瓶颈、难以继续提高。
发明内容
基于现有技术的缺陷，本发明提供了一种基于深度子空间切换集成学习的多源异构数据融合方法，该方法在处理多源光谱异构数据时，通过融合谱特征和空间特征，并利用深度样本学习以及多分类器加权融合的手段，从而提升模式识别或分类的准确性。
为了实现上述效果，本发明所采用的具体技术方案如下：
一种基于深度子空间切换集成学习的多源异构数据融合方法，其关键在于按照以下步骤进行：
S1：分别对每个源数据集进行特征提取，并将提取的光谱特征和空间特征组成空谱特征；
S2：将每个源数据集的空谱特征重组构成空谱特征数据集；
S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；
S4：针对三组样本集，分别构建分类器模型；
S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。
可选地，源数据集中的样本包括近红外光谱图像、紫外光光谱图像、可见光光谱图像、远红外光谱图像或拉曼光谱图像中的任何一种或多种组合，且采用快速双边滤波提取其空间特征。
可选地，在步骤S3中，根据hold-out交叉验证方法将空谱特征数据集分为训练集和测试集，然后采用基于自组织神经网络(SOM)，由原始样本迭代得到一阶样本，通过一阶样本的迭代得到二阶样本，最终将训练集中的样本分为原始样本、一阶样本和二阶样本。
可选地，针对原始样本、一阶样本和二阶样本，分别随机选择K个特征子集，然后分别随机选择p1比例的样本并结合半监督学习机制得到K个集成训练集和K个测试集，然后利用微噪声线性降维算法(mNLDR)分别更新K个集成训练集并得到K个新训练集和K个测试集，针对每一个新训练集和测试集对SVM分类器进行训练和测试，得到K个分类器，最后对K个分类器进行集成输出分类结果，从而构建出集成多核SVM分类器模型。
可选地，在对原始样本、一阶样本和二阶样本所得分类结果进行投票时，先分别赋予权重。
可选地，所述半监督学习机制中从测试集中随机选择q％的样本，然后对其标记并按照：
计算样本的可信度d，并随机生成一个(0,1)之间的随机数r，当d＞r时，就把这个样本及其添加的标签加入训练集，其中ytest,i表示测试集中的第i个样本的标签，ytrain,j表示训练集中第j个样本的标签，k表示训练样本的个数。
可选地，步骤S4中每一组的分类器模型采用但不限于随机森林模型、神经网络模型以及支持向量机模型中的任何一种。
本发明的显著效果是：
本发明联合光谱空间信息并融入分层子空间切换集成学习算法，利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量，此外，基于光谱图像的特点，将一些现有的算法进行了改进和集成，既保留了边缘信息，又提高了样本的多样性和可分性。
附图说明
图1为本发明提出的一种基于深度子空间集成学习的多源异构数据融合方法流程图；
图2为针对单个样本空间的切换集成学习算法流程图；
图3为基于SOM神经网络的深度样本学习算法的原理简图；
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
本次实施例采用了Indian Pines数据集和University of Pavia数据集分别对本发明的效果进行验证。随机选择训练样本。为了避免不必要的偏差，随机选择训练样本以及测试样本，并重复分类实验10次。并用准确率(OA)、平均准确率(AA)和kappa系数来评价算法性能。
本实施例用到的两个常用数据集，简单描述如下：
1)Indian Pines:实验中使用的光谱数据集是著名的AVIRIS数据Indian Pines，包含16个地物类别。数据大小为145×145个像素，空间分辨率为20m每像素。本文去除了20个吸水波段(第104–108,150–163,220个波段)。
2)University of Pavia:在意大利Pavia大学获取城市地区的光谱图像数据集。其大小为610×340×115，空间分辨率为1.3m每像素。光谱覆盖范围为0.43到0.86μm。在实验之前丢弃了12个噪声波段，图像中包含9类。
如图1和图2所示，本实施例采用的一种基于深度子空间切换集成学习的多源异构数据融合方法，按照以下步骤进行：
S1：分别对每个源数据集进行特征提取，并将提取的光谱特征和空间特征组成空谱特征；
S2：将每个源数据集的空谱特征重组构成空谱特征数据集；
S3：基于SOM实现深度样本学习算法，然后基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；
S4：针对三组样本集，分别构建分类器模型；
S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。
在具体实施时，源数据集中的样本包括近红外光谱图像、紫外光光谱图像、可见光光谱图像、远红外光谱图像或拉曼光谱图像中的任何一种或多种组合，且采用快速双边滤波提取其空间特征，在步骤S3中，根据hold-out交叉验证方法将空谱特征数据集分为训练集和测试集，然后通过SOM算法进行处理，由原始样本迭代得到一阶样本，通过一阶样本的迭代得到二阶样本，最终将训练集中的样本分为原始样本、一阶样本和二阶样本。
通过图3可以看出，SOM算法在实施过程中，第一SOM模块输入为原样本，输出为自组织映射后的样本，称为一阶样本。以此类推，输入为n-1阶样本，输出为n阶样本。可根据具体需要，设置n阶样本和n-1阶样本的样本数之比，本方法采用两个SOM模块，在生成一阶样本和二阶样本的时候，在SOM模块输出数据的基础上，还增加随机噪声进行微调。
具体实施时，针对原始样本、一阶样本和二阶样本，分别随机选择K个特征子集，然后分别随机选择p1比例的样本并结合半监督学习机制得到K个集成训练集和K个测试集，然后利用微噪声线性降维算法(mNLDR)分别更新K个集成训练集并得到K个新训练集和K个测试集，针对每一个新训练集和测试集对SVM分类器进行训练和测试，得到K个分类器，最后对K个分类器进行集成输出分类结果，从而构建出集成多核SVM分类器模型。
为了避免不必要的偏差，我们随机选择训练样本以及测试样本，并重复分类实验10次。
在半监督学习机制中从测试集中随机选择q％的样本，然后对其标记并按照：
计算样本的可信度d，并随机生成一个(0,1)之间的随机数r，当d＞r时，就把这个样本及其添加的标签加入训练集，其中ytest,i表示测试集中的第i个样本的标签，ytrain,j表示训练集中第j个样本的标签，k表示训练样本的个数。
由于旋转随机森林作为集成学习方法最近频繁用于光谱影像分类，在这里，对两幅高光谱图像使用基于光谱信息的旋转随机森林算法来与本发明提出的方法进行对比。
通过实验可以看出，随着训练样本数量的改变，三个指标所发生的变化，对于Indian Pines，训练集比例从2％到10％，对于University of Pavia，训练集比例是从1％到5％。
具体实施时，在对原始样本、一阶样本和二阶样本所得分类结果进行投票时，先分别赋予权重。
为了验证本方法的性能，将其与一些较好的方法做对比，包括SVM(默认参数)，RoF方法，多尺度自适应稀疏表示方法(MASR)，基于边缘保持滤波的方法(EFP_SVM)，基于内在图像分解和支持向量机的方法(SVM_IID)，基本阈值分类器方法(BTC_WLS)，基于双边滤波的支持向量机(BF_SVM)，基于空谱信息的旋转随机森林(FBF_RoF)，以及改进联合训练SVM(M-CO-SVM)。M-CO-SVM由zhang在论文中提出，是一种基于联合训练的改进算法，被应用到半监督高光谱影像分类。随机选择训练样本，Indian pines是随机选择10％，theUniversity of Pavia是随机选择5％的样本。计算每个算法的每一类的准确率、平均准确率和kappa系数。表1和表2记录了各种方法的平均准确率值，OA、AA和kappa系数。
本次实施例分两部分，第一部分是本发明方法基于Indian Pines数据集的应用。每种算法运行十次以便于得到可靠的结果。从表1中可以看出，本文算法有效提高了OA、AA和kappa系数，其中OA达到98.92％，AA达到99.37％，kappa系数达到98.75％。这显示出深度子空间学习可以有效提高准确率。通过实验结果发现，SVM和RoF得出的图噪声很多，但本发明方法对应的结果图却好得多。相比于其他空谱方法，比如MASR,EPF_SVM,SVM_IID,BTC_WLS和BF_SVM，本文方法的分类准确率更高，这表明随机子空间学习可以有效改善泛化能力，多核SVM能够加强分类稳定性，混合特征可以在各种特征空间中进行分类。
表1Indian pines数据集用各种方法分类得到的OA、AA、Kappa以及每一类的分类准确率(％)
本次实施例第二部分是本发明方法对University of Pavia数据集进行操作。实验重复10次以便获得可靠结果。类似于Indian pines，本文方法在OA,AA,和kappa系数上都优于其他方法。如表2所示，本文方法得到OA为98.81％、AA为98.63％，kappa系数为98.39％，结果表明本文方法可以滤除噪声，联合空间信息和原始光谱信息，从而提高高光谱数据的可分性，最大程度优化分类结果。JS2&SEM算法的每一部分都有助于提高分类性能。
表2.University of Pavia数据集用各种方法分类得到的OA、AA、Kappa以及每一类的分类准确率(％)
为了进一步验证本发明方法的显著性水平，对分类准确率进行统计分析。在表3中，本文所提方法与主流算法进行比较，使用的方法是Wilcoxon test。使用matlab里的ranksum()函数，得到本方法和对比算法的p值。同样的实验进行10次。
表3对比方法基于准确率的统计分析
从表3中可得，所有方法的OA的p值小于0.05，AA和kappa的结果是类似的。除了BTC_WLC和SVM_IID，其他方法p值远小于0.001。这表明本文的方法在准确率方面明显优于其他方法。
为了突出本专利方法中深度样本学习算法的优势，选择Indian pines和PaviaUniversity两个数据集做实验。实验采用随机森林的分类方法。对于Indian pines数据集，从所有样本中随机选择10％样本作为训练集，其余样本作为测试集。对于Paviauniversity数据集，这个比例是5％。在表4和表5中，HIC表示深度样本学习。本方法中采用基于SOM算法的HIC来改善分类准确率。“无HIC”表示不加HIC的分类准确率，“有HIC”表示有HIC的准确率。“一阶样本”表示使用一阶样本得到分类准确率；“二阶样本”表示用二阶样本得到的分类准确率。为了进行抽样比较，这里的实验比上面的更简单。
表4 Indian Pines数据集的分类效果对比
表5 University of Pavia数据集的分类效果对比
如表5和表6所示，有HIC的准确率比没有HIC的准确率更高。对于Indian pines数据集，OA从88.69％提高到93.29％，AA从92.25％提高到94.21％，kappa从87.04％提高到90.33％。Pavia University数据集的结果也是类似的。值得注意的是，一阶样本或二阶样本的分类精度比原样本差。对于Indian pines，用原始样本得到OA是88.69％，但是一阶和二阶样本得到的OA分别是85.46％和76.99％。因此，该结果意味着HIC可以获得互补的深度样本空间，从而提高了原始样本的准确性。
综上所述，本发明利用联合光谱空间信息(JSS)、分层子空间切换集成学习算法(HSSE)提出了一种新的光谱空间光谱图像集成分类方法(JSS_HSSE)。该方法利用了多尺度的空谱样本，增加了有用样本，提高了训练的质量。此外，基于高光谱图像的特点，将一些现有的算法进行了改进和集成。该方法的重要优点是既保留了边缘信息，又提高了样本的多样性和可分性。使用两个数据集进行实验，结果显著表明本文方法在准确率方面优于其他著名方法。
最后需要说明的是，上述描述为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。
Claims (7)
1.一种基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于按照以下步骤进行：
S1：分别对每个源数据集进行特征提取，并将提取的光谱特征和空间特征组成空谱特征；
S2：将每个源数据集的空谱特征重组构成空谱特征数据集；
S3：基于深度样本学习算法对空谱特征数据集中的样本数据进行处理，形成原始样本、一阶样本和二阶样本；
S4：针对三组样本集，分别构建分类器模型；
S5：对三组模型分别采用各自合适的分类方式进行分类，得到三组分类结果，然后通过分类投票得到最终的分类结果。
2.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：源数据集中的样本包括近红外光谱图像、紫外光光谱图像、可见光光谱图像、远红外光谱图像或拉曼光谱图像中的任何一种或多种组合，且采用快速双边滤波提取其空间特征。
3.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：在步骤S3中，根据hold-out交叉验证方法将空谱特征数据集分为训练集和测试集，然后采用基于自组织神经网络(SOM)，由原始样本迭代得到一阶样本，通过一阶样本的迭代得到二阶样本，最终将训练集中的样本分为原始样本、一阶样本和二阶样本。
4.根据权利要求1或3所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：针对原始样本、一阶样本和二阶样本，分别随机选择K个特征子集，然后分别随机选择p1比例的样本并结合半监督学习机制得到K个集成训练集和K个测试集，然后利用微噪声线性降维算法(mNLDR)分别更新K个集成训练集并得到K个新训练集和K个测试集，针对每一个新训练集和测试集对SVM分类器进行训练和测试，得到K个分类器，最后对K个分类器进行集成输出分类结果，从而构建出集成多核SVM分类器模型。
5.根据权利要求4所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：在对原始样本、一阶样本和二阶样本所得分类结果进行投票时，先分别赋予权重。
6.根据权利要求4所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：所述半监督学习机制中从测试集中随机选择q％的样本，然后对其标记并按照：
计算样本的可信度d，并随机生成一个(0,1)之间的随机数r，当d＞r时，就把这个样本及其添加的标签加入训练集，其中ytest,i表示测试集中的第i个样本的标签，ytrain,j表示训练集中第j个样本的标签，k表示训练样本的个数。
7.根据权利要求1所述的基于深度子空间切换集成学习的多源异构数据融合方法，其特征在于：步骤S4中每一组的分类器模型采用但不限于随机森林模型、神经网络模型以及支持向量机模型中的任何一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810732829.9A CN108985365B (zh) | 2018-07-05 | 2018-07-05 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810732829.9A CN108985365B (zh) | 2018-07-05 | 2018-07-05 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108985365A true CN108985365A (zh) | 2018-12-11 |
| CN108985365B CN108985365B (zh) | 2021-10-01 |
Family
ID=64536256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810732829.9A Active CN108985365B (zh) | 2018-07-05 | 2018-07-05 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985365B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
| CN110188820A (zh) * | 2019-05-30 | 2019-08-30 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
| CN110232406A (zh) * | 2019-05-28 | 2019-09-13 | 厦门大学 | 一种基于统计学习的液晶面板cf图片识别方法 |
| CN110827231A (zh) * | 2019-09-19 | 2020-02-21 | 北京航空航天大学 | 一种显著性驱动下的主动学习多源图像融合方法 |
| CN111568411A (zh) * | 2020-05-22 | 2020-08-25 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN111950627A (zh) * | 2020-08-11 | 2020-11-17 | 重庆大学 | 一种多源信息融合方法及其应用 |
| CN112949738A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
| CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
| CN113269704A (zh) * | 2021-06-29 | 2021-08-17 | 南昌航空大学 | 一种红外与可见光图像融合方法 |
| CN113486713A (zh) * | 2021-06-02 | 2021-10-08 | 广州林猫自然科技有限公司 | 一种红外相机动物图像识别训练集最佳组合的构建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
| CN103632168A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种机器学习中的分类器集成方法 |
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
| CN106651915A (zh) * | 2016-12-23 | 2017-05-10 | 大连理工大学 | 基于卷积神经网络的多尺度表达的目标跟踪方法 |
| CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
| CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
| CN107292330A (zh) * | 2017-05-02 | 2017-10-24 | 南京航空航天大学 | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 |
-
2018
- 2018-07-05 CN CN201810732829.9A patent/CN108985365B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
| CN103632168A (zh) * | 2013-12-09 | 2014-03-12 | 天津工业大学 | 一种机器学习中的分类器集成方法 |
| CN106096646A (zh) * | 2016-06-07 | 2016-11-09 | 衢州学院 | 一种支持向量回归机模型选择方法 |
| CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
| CN106651915A (zh) * | 2016-12-23 | 2017-05-10 | 大连理工大学 | 基于卷积神经网络的多尺度表达的目标跟踪方法 |
| CN106897737A (zh) * | 2017-01-24 | 2017-06-27 | 北京理工大学 | 一种基于超限学习机的高光谱遥感图像地物分类方法 |
| CN107292330A (zh) * | 2017-05-02 | 2017-10-24 | 南京航空航天大学 | 一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法 |
| CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| AI-XIANG SUN等: "Improved SOM algorithm-EDSOM applied in text clustering", 《2010 INTERNATIONAL CONFERENCE ON COMPUTER APPLICATION AND SYSTEM MODELING 》 * |
| 佟丽娜等: "基于多路 sEMG 时序分析的人体运动模式识别方法", 《自动化学报》 * |
| 张新征等: "基于多特征-多表示融合的SAR图像目标识别", 《雷达学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740639B (zh) * | 2018-12-15 | 2021-02-19 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
| CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
| CN110232406A (zh) * | 2019-05-28 | 2019-09-13 | 厦门大学 | 一种基于统计学习的液晶面板cf图片识别方法 |
| CN110188820A (zh) * | 2019-05-30 | 2019-08-30 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
| CN110188820B (zh) * | 2019-05-30 | 2023-04-18 | 中山大学 | 基于深度学习子网络特征提取的视网膜oct图像分类方法 |
| CN110827231A (zh) * | 2019-09-19 | 2020-02-21 | 北京航空航天大学 | 一种显著性驱动下的主动学习多源图像融合方法 |
| CN111568411B (zh) * | 2020-05-22 | 2023-08-22 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN111568411A (zh) * | 2020-05-22 | 2020-08-25 | 郑州大学 | 基于连续心搏活动序列特征-svm模型的心搏分类方法 |
| CN111950627A (zh) * | 2020-08-11 | 2020-11-17 | 重庆大学 | 一种多源信息融合方法及其应用 |
| CN111950627B (zh) * | 2020-08-11 | 2024-04-05 | 重庆大学 | 一种多源信息融合方法及其应用 |
| CN112949738A (zh) * | 2021-03-17 | 2021-06-11 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
| CN112949738B (zh) * | 2021-03-17 | 2024-03-05 | 西安电子科技大学 | 基于eecnn算法的多类不平衡高光谱图像分类方法 |
| CN113191926A (zh) * | 2021-04-12 | 2021-07-30 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
| CN113191926B (zh) * | 2021-04-12 | 2024-04-26 | 北京工商大学 | 基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统 |
| CN113486713A (zh) * | 2021-06-02 | 2021-10-08 | 广州林猫自然科技有限公司 | 一种红外相机动物图像识别训练集最佳组合的构建方法 |
| CN113269704A (zh) * | 2021-06-29 | 2021-08-17 | 南昌航空大学 | 一种红外与可见光图像融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108985365B (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985365A (zh) | 基于深度子空间切换集成学习的多源异构数据融合方法 | |
| CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
| CN106504233B (zh) | 基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统 | |
| Xu et al. | Multisource remote sensing data classification based on convolutional neural network | |
| Choma et al. | Graph neural networks for icecube signal classification | |
| CN106815604B (zh) | 基于多层信息融合的注视点检测方法 | |
| CN110728224A (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
| CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN102915445A (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
| CN111353531B (zh) | 基于奇异值分解和空谱域注意力机制高光谱图像分类方法 | |
| CN108090447A (zh) | 双分支深层结构下的高光谱图像分类方法及装置 | |
| CN106257496B (zh) | 海量网络文本与非文本图像分类方法 | |
| Mughees et al. | Efficient deep auto-encoder learning for the classification of hyperspectral images | |
| Wetterich et al. | A comparative study on application of computer vision and fluorescence imaging spectroscopy for detection of Huanglongbing citrus disease in the USA and Brazil | |
| CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
| CN108460391A (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
| CN107239759A (zh) | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 | |
| CN113538347B (zh) | 基于高效双向路径聚合注意力网络的图像检测方法及系统 | |
| CN113673556B (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
| CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
| CN112990282A (zh) | 一种细粒度小样本图像的分类方法及装置 | |
| CN112084897A (zh) | 一种gs-ssd的交通大场景车辆目标快速检测方法 | |
| Kiruthika et al. | Image quality assessment based fake face detection | |
| Liu et al. | Research on data classification and feature fusion method of cancer nuclei image based on deep learning | |
| Huo et al. | Memory-augmented Autoencoder with Adaptive Reconstruction and Sample Attribution Mining for Hyperspectral Anomaly Detection |
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 |