CN109344891A - 一种基于深度神经网络的高光谱遥感数据分类方法 - Google Patents
一种基于深度神经网络的高光谱遥感数据分类方法 Download PDFInfo
- Publication number
- CN109344891A CN109344891A CN201811104128.7A CN201811104128A CN109344891A CN 109344891 A CN109344891 A CN 109344891A CN 201811104128 A CN201811104128 A CN 201811104128A CN 109344891 A CN109344891 A CN 109344891A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- neural network
- deep neural
- hyperspectral
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013526 transfer learning Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000011176 pooling Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002265 prevention Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 241001466077 Salina Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度神经网络的高光谱遥感数据分类方法，包含以下步骤：(1)读入高光谱数据；(2)确定类别数目，并选择训练样本和测试样本；(3)基于三维卷积和空间金字塔池化的空间‑光谱特征联合提取；(4)建立基于深度神经网络的高光谱数据分类模型；(5)通过迁移学习策略和防止过拟合方法完成模型的优化；(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图。该方法中的分类器模型通过迁移学习策略优化训练，将源域数据中的特征迁移到目标域数据中。因而，该方法在训练样本的数量较小的情况下能够获得较高的分类精度。
Description
技术领域
本发明涉及一种基于深度神经网络的高光谱遥感数据分类方法，属于高光谱数据处理方法与应用技术领域，适用于高光谱数据监督分类的理论方法和应用技术研究。
背景技术
在高光谱遥感数据分类中，高光谱遥感影像的分类精度会随着光谱维度的升高而呈现先升高后降低的Hughes现象。对于高光谱影像的光谱维数来说，往往无法为分类器提供足够的训练样本，因此小样本问题很大程度上影响了高光谱遥感影像分类的精度。目前对高光谱影像分类的小样本问题通常有三种解决方法：第一种是先通过波段选择或者特征提取降低高光谱影像的维度，然后利用降维后的信息进行分类，然而特征挖掘的使用有时候会损失一些细节信息；第二种是支持向量机方法，该方法利用核变换将低维空间线性不可分问题，转换到高维空间进行准确分类，对小样本、高维度问题取得了较好的分类效果，然而在支持向量机的使用过程中，参数的选择往往过于依赖使用者的经验，缺乏明确的选择标准；第三种是半监督分类，即将半监督学习引入到遥感影像分类中，在已知类别标记的训练样本不足的情况下，将未知类别的样本引入训练过程，但是可能有模型较难优化、构建训练器困难、泛化性能不高等问题。
深度神经网络在语音识别、计算机视觉等多类应用中取得突破性的进展。近年来随着遥感技术的发展和数据处理的需求，深度神经网络模型被引入到遥感图像分类应用中。在高光谱图像分类中，Hughes现象是影响高光谱图像分类结果的重要难题之一，其关键是标签样本数目较少，然而在实际应用中获取充足的标签样本需要付出很大的代价。光谱信息和空间信息的提取是基于深度神经网络的高光谱数据分类的关键步骤，但现有的大多数的深度神经网络分类模型采用两通道提取特征的方式，即光谱通道提取光谱信息以及空间通道提取空间信息，该特征提取方式无法实现在单通道内完成空间信息和光谱信息的提取。
发明内容
本发明的目的在于针对高光谱分类中的小样本问题，提供一种基于深度神经网络的高光谱数据分类方法。
本发明的技术解决方案为：一种通过三维卷积和空间金字塔池化联合提取空间-光谱特征的深度神经网络分类模型，该模型通过迁移学习策略实现较少训练样本条件下的遥感数据分类方法。
本发明是一种基于深度神经网络的高光谱遥感数据分类方法，其步骤如下：
(1)读入高光谱数据；
(2)确定类别数目，并选择训练样本和测试样本；
(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取；
(4)建立基于深度神经网络的高光谱数据分类模型；
(5)通过迁移学习策略和防止过拟合方法完成模型的优化；
(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图。
其中，步骤(1)读入待处理的高光谱数据作为目标域数据，读入参考数据作为源域数据进行处理，其中读入源域高光谱数据为，D＝[d1,d2,Λ,dn]， n为像元数，读入目标域高光谱数据为，H＝[h1,h2,Λ,hk]，k为像元数。
其中，步骤(2)中所述的确定类别数目，并选择训练样本和测试样本：确定源域数据的样本和目标域数据的样本，其中源域分类类别数目为J1，目标域分类类别数目为J2，根据参考图像和地面调查分别选择源域数据和目标域数据的训练样本和测试样本，且各自的训练样本与其测试样本不相同。
其中，步骤(3)中基于三维卷积和空间金字塔池化的空间-光谱特征联合提取：空间金字塔池化处理三维卷积的输出，以多种大小不同的三维空间最大值池化核建立空间金字塔池化，可以得到多种规模的空间-光谱特征；其中卷积层以PReLU为激活函数，采用的三维卷积计算公式为，
其中，为卷积核的输出，f为激活函数，bij为特征图的偏差值，为卷积核的权重，上一级的特征图的值，Mi是特征图的数量，Pi，Qi是卷积核的空间维大小，Ri为卷积核光谱维的大小，p，q，r代表卷积核的标号，m为特征图对应的标号，i，j对应输入层的编号和输出层的编号。
其中，步骤(4)中所述的建立基于深度神经网络的高光谱数据分类模型：主要以五层网络建立高光谱数据分类模型，分别是输入层、三维卷积层、空间金字塔池化层、全连接层和输出层，全连接层以双曲正切函数为激活函数。
其中，步骤(5)中所述的通过迁移学习策略和防止过拟合方法完成模型的优化：迁移学习策略以特征迁移的方式，将源域数据的特征迁移到目标域数据中，特征迁移过程主要包括模型的预训练和微调；采用的防止过拟合方法是在全连接层引入“丢弃”，即在每次训练中，以特定的概率随机选取一些神经元，不更新该神经元的权重，目的在于减少神经元间的冗余连接，提高模型的泛化性能；采用“丢弃”后全连接层输出的公式为，
其中以概率p，随机生成一个0、1的向量；yl表示第l层的输出，表示加入“丢弃”后第l层的输出，表示第l+1层的权重，表示第l+1层的偏差，表示第l+1层第i个神经元的输入，f表示激活函数，y(l+1)表示第l+1层的输出。
其中，步骤(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图，其中待分类的样本点从目标域数据中获取。
本发明与现有技术相比的优点在于：避免了传统方法中细节信息缺失、参数选择困难、模型优化困难等问题，本方法利用三维卷积和空间金字塔池化有效提取到不同规模大小的空谱联合特征，实现了地物类型分类。它具有以下的优点：(1)有效提取了高光谱图像中空间信息和光谱信息，并且在一个通道内完成了空间-光谱联合特征的提取；(2)在模型训练过程中，采用的防止过拟合策略，提高了模型的泛化性能；(3)通过迁移学习策略，将源域中的特征迁移到目标域中，解决了小样本情况下高光谱数据高精度分类问题。
具体实施方式
为了更好的说明本发明涉及的高光谱遥感数据分类方法，利用AVIRIS 高光谱数据进行精细分类。本发明一种基于深度神经网络的高光谱遥感数据分类方法，具体实现步骤如下：
(1)读入高光谱数据：以大小为512×217的萨利纳斯山谷高光谱图像为源域数据，以大小为145×145的印第安纳松树林高光谱图像为目标域数据，这两组数据均由AVIRIS获取，波段区间均为370nm～2507nm，均包含220 个波段且具有相同的波长信息；
(2)确定类别数目，并选择训练样本和测试样本：其中源域分类类别数目为J1＝16，目标域分类类别数目为J2＝16，根据参考图像和地面调查分别选择源域数据和目标域数据的样本，所选择样本为3×3矩形区域，为了降低过拟合，把所选样本的每一个像素点，按照水平、竖直和对角线方向扩充，将原矩形区域扩充为6×6矩形区域；
(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取：三维卷积获取的空间-光谱信息，由空间金字塔池化处理，设置三维卷积核的数量和大小，以三种不同大小的三维池化核作为空间金字塔池化，并且每个池化核均为最大值池化，设置卷积层激活函数为PReLU，三维卷积和空间金字塔池化的联合使用使得分类模型获取到不同规模的空间-光谱特征；采用的三维卷积计算公式为，
其中，为卷积核的输出，f为激活函数，bij为特征图的偏差值，为卷积核的权重，上一级的特征图的值，Mi是特征图的数量， Pi，Qi是卷积核的空间维大小，Ri为卷积核光谱维的大小，p，q，r代表卷积核的标号，m为特征图对应的标号，i，j对应输入层的编号和输出层的编号；
(4)建立基于深度神经网络的高光谱数据分类模型：依次建立高光谱数据分类模型的输入层、三维卷积层、空间金字塔池化层、全连接层和输出层；设置全连接层激活函数为双曲正切函数；
(5)通过防止过拟合方法和迁移学习策略完成模型的优化：设置“丢弃”大小，减少神经元间的冗余连接；采用“丢弃”后全连接层输出的公式为，
其中以概率p，随机生成一个0、1的向量；yl表示第l层的输出，表示加入“丢弃”后第l层的输出，表示第l+1层的权重，表示第l+1层的偏差，表示第l+1层第i个神经元的输入，f表示激活函数，y(l+1)表示第l+1层的输出；迁移学习包括预训练和微调，首先选取萨利纳斯山谷高光谱数据进行预训练，然后保留卷积层和池化层的参数，重新训练全连接层的权重和偏差；由于两个高光谱数据均有220个波段并且输出类别均为16类，因此在本方法的模型中，模型微调只需要重新训练全连接层的权重和偏差，无需修改模型的输出大小和神经元的数量；
(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图：将所有待分类的样本点和其对应的8邻域，组合成3×3矩形区域，并且按照水平、竖直和对角线方扩充的方式，将原大小为3×3×220三维数据扩充为6× 6×220大小的三维数据；将所有数据依次输入到模型中，赋予所有待分类的像素点唯一的类别。
Claims (7)
1.一种基于深度神经网络的高光谱遥感数据分类方法，其特征在于：它包含以下步骤：
(1)读入高光谱数据；
(2)确定类别数目，并选择训练样本和测试样本；
(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取；
(4)建立基于深度神经网络的高光谱数据分类模型；
(5)通过迁移学习策略和防止过拟合方法完成模型的优化；
(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图。
2.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(1)读入高光谱数据：读入待处理的高光谱数据作为目标域数据，读入参考数据作为源域数据进行处理。
3.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(2)确定类别数目，并选择训练样本和测试样本：根据参考图像和地面调查分别选择源域数据和目标域数据的训练样本和测试样本，且各自的训练样本与其测试样本不相同。
4.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(3)基于三维卷积和空间金字塔池化的空间-光谱特征联合提取：三维卷积直接处理包含空间信息和光谱信息的三维数据，以多个不同大小的三维池化核作为空间金字塔池化层，该层池化三维卷积输出的特征，有效提取不同规模的高光谱数据的空间-光谱特征；其中卷积层以参数整流线性单位(Parametric Rectified Linear Unit，PReLU)为激活函数，采用的三维卷积计算公式为，
其中，为卷积核的输出，f为激活函数，bij为特征图的偏差值，为卷积核的权重，上一级的特征图的值，Mi是特征图的数量，Pi，Qi是卷积核的空间维大小，Ri为卷积核光谱维的大小，p，q，r代表卷积核的标号，m为特征图对应的标号，i，j对应输入层的编号和输出层的编号。
5.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(4)建立基于深度神经网络的高光谱数据分类模型：分类模型主要包括五层网络，分别是输入层、三维卷积层、空间金字塔池化层、全连接层和输出层，其中全连接层以双曲正切函数为激活函数。
6.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(5)通过迁移学习策略和防止过拟合方法完成模型的优化，其中迁移学习策略采用特征迁移方式，即将源域数据的特征迁移到目标域数据中，特征迁移过程主要包括模型的预训练和微调，采用防止过拟合方法是指在训练过程中，在全连接层引入“丢弃”；采用“丢弃”后全连接层输出的公式为，
其中以概率p，随机生成一个0、1的向量，yl表示第l层的输出，表示加入“丢弃”后第l层的输出，表示第l+1层的权重，表示第l+1层的偏差，表示第l+1层第i个神经元的输入，f表示激活函数，y(l+1)表示第l+1层的输出。
7.根据权利要求1所述的一种基于深度神经网络的高光谱遥感数据分类方法，其中步骤(6)将所有待分类的样本点输入模型中进行分类，获取分类结果图：其中待分类的样本点从目标域数据中获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811104128.7A CN109344891A (zh) | 2018-09-21 | 2018-09-21 | 一种基于深度神经网络的高光谱遥感数据分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811104128.7A CN109344891A (zh) | 2018-09-21 | 2018-09-21 | 一种基于深度神经网络的高光谱遥感数据分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109344891A true CN109344891A (zh) | 2019-02-15 |
Family
ID=65306447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811104128.7A Pending CN109344891A (zh) | 2018-09-21 | 2018-09-21 | 一种基于深度神经网络的高光谱遥感数据分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109344891A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919241A (zh) * | 2019-03-15 | 2019-06-21 | 中国人民解放军国防科技大学 | 基于概率模型和深度学习的高光谱未知类别目标检测方法 |
| CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN110503140A (zh) * | 2019-08-09 | 2019-11-26 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
| CN112113570A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度迁移和模型参数集成的室内定位方法 |
| CN112633401A (zh) * | 2020-12-29 | 2021-04-09 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
| CN112801133A (zh) * | 2020-12-30 | 2021-05-14 | 核工业北京地质研究院 | 一种基于keras模型的光谱识别分类方法 |
| CN113066053A (zh) * | 2021-03-11 | 2021-07-02 | 紫东信息科技(苏州)有限公司 | 一种基于模型迁移的十二指肠自训练分类方法及系统 |
| CN113947725A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
| CN115375951A (zh) * | 2022-09-20 | 2022-11-22 | 中国矿业大学 | 一种基于图元迁移网络的小样本高光谱图像分类方法 |
| CN116310572A (zh) * | 2023-03-23 | 2023-06-23 | 齐齐哈尔大学 | 金字塔多尺度卷积和自注意力结合的高光谱图像分类方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN108280396A (zh) * | 2017-12-25 | 2018-07-13 | 西安电子科技大学 | 基于深度多特征主动迁移网络的高光谱图像分类方法 |
-
2018
- 2018-09-21 CN CN201811104128.7A patent/CN109344891A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292343A (zh) * | 2017-06-23 | 2017-10-24 | 中南大学 | 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法 |
| CN107506740A (zh) * | 2017-09-04 | 2017-12-22 | 北京航空航天大学 | 一种基于三维卷积神经网络和迁移学习模型的人体行为识别方法 |
| CN108280396A (zh) * | 2017-12-25 | 2018-07-13 | 西安电子科技大学 | 基于深度多特征主动迁移网络的高光谱图像分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姜含露: "《基于卷积神经网的高光谱数据特征提取及分类技术研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919241B (zh) * | 2019-03-15 | 2020-09-29 | 中国人民解放军国防科技大学 | 基于概率模型和深度学习的高光谱未知类别目标检测方法 |
| CN109919241A (zh) * | 2019-03-15 | 2019-06-21 | 中国人民解放军国防科技大学 | 基于概率模型和深度学习的高光谱未知类别目标检测方法 |
| CN109975250A (zh) * | 2019-04-24 | 2019-07-05 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数反演方法及装置 |
| CN110479636A (zh) * | 2019-07-19 | 2019-11-22 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN110479636B (zh) * | 2019-07-19 | 2021-11-09 | 深圳市微蓝智能科技有限公司 | 基于神经网络自动分拣烟叶的方法及装置 |
| CN110503140B (zh) * | 2019-08-09 | 2022-04-01 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
| CN110503140A (zh) * | 2019-08-09 | 2019-11-26 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
| CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN111652038B (zh) * | 2020-04-13 | 2023-03-03 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
| CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
| CN112113570A (zh) * | 2020-09-15 | 2020-12-22 | 电子科技大学 | 一种基于深度迁移和模型参数集成的室内定位方法 |
| CN112113570B (zh) * | 2020-09-15 | 2022-05-17 | 电子科技大学 | 一种基于深度迁移和模型参数集成的室内定位方法 |
| CN112633401B (zh) * | 2020-12-29 | 2022-11-08 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
| CN112633401A (zh) * | 2020-12-29 | 2021-04-09 | 中国科学院长春光学精密机械与物理研究所 | 一种高光谱遥感图像分类方法、装置、设备及存储介质 |
| CN112801133A (zh) * | 2020-12-30 | 2021-05-14 | 核工业北京地质研究院 | 一种基于keras模型的光谱识别分类方法 |
| CN113066053A (zh) * | 2021-03-11 | 2021-07-02 | 紫东信息科技(苏州)有限公司 | 一种基于模型迁移的十二指肠自训练分类方法及系统 |
| CN113066053B (zh) * | 2021-03-11 | 2023-10-10 | 紫东信息科技(苏州)有限公司 | 一种基于模型迁移的十二指肠自训练分类方法及系统 |
| CN113947725A (zh) * | 2021-10-26 | 2022-01-18 | 中国矿业大学 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
| CN115375951A (zh) * | 2022-09-20 | 2022-11-22 | 中国矿业大学 | 一种基于图元迁移网络的小样本高光谱图像分类方法 |
| CN116310572A (zh) * | 2023-03-23 | 2023-06-23 | 齐齐哈尔大学 | 金字塔多尺度卷积和自注意力结合的高光谱图像分类方法 |
| CN116310572B (zh) * | 2023-03-23 | 2024-01-23 | 齐齐哈尔大学 | 金字塔多尺度卷积和自注意力结合的高光谱图像分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109344891A (zh) | 一种基于深度神经网络的高光谱遥感数据分类方法 | |
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| CN108446716B (zh) | 基于FCN与稀疏-低秩子空间表示融合的PolSAR图像分类方法 | |
| CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
| CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
| CN112446388A (zh) | 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统 | |
| CN106503739A (zh) | 联合光谱和纹理特征的高光谱遥感影像svm分类方法及系统 | |
| CN106845418A (zh) | 一种基于深度学习的高光谱图像分类方法 | |
| CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
| CN110619059B (zh) | 一种基于迁移学习的建筑物标定方法 | |
| CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
| CN105528595A (zh) | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 | |
| CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
| CN107480620A (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
| CN111898621A (zh) | 一种轮廓形状识别方法 | |
| CN110147780B (zh) | 基于层级地形的实时性野外机器人地形识别方法及系统 | |
| CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
| CN103020265A (zh) | 图像检索的方法和系统 | |
| 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 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN111191735A (zh) | 基于数据差异和多尺度特征的卷积神经网络影像分类方法 | |
| CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN108256557B (zh) | 结合深度学习和邻域集成的高光谱图像分类方法 | |
| CN111738052B (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |
|
| WD01 | Invention patent application deemed withdrawn after publication |