CN109711269A - 一种基于3d卷积谱空特征融合的高光谱图像分类算法 - Google Patents
一种基于3d卷积谱空特征融合的高光谱图像分类算法 Download PDFInfo
- Publication number
- CN109711269A CN109711269A CN201811467083.XA CN201811467083A CN109711269A CN 109711269 A CN109711269 A CN 109711269A CN 201811467083 A CN201811467083 A CN 201811467083A CN 109711269 A CN109711269 A CN 109711269A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- data
- input
- output
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 17
- 238000007635 classification algorithm Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 230000002087 whitening effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于3D卷积谱空特征融合的高光谱图像分类算法，通过使用PCA白化降低光谱特征之间的相关性，极大程度地提高神经网络的训练速度；且本发明通过采用3D卷积操作和1D卷积操作相结合的方式对数据进行特征提取，可以达到更高的分类精度，在小样本上表现效果较好，并且有着较高的计算效率，特征融合过程中没有信息损失，使其能够完成高效、准确的分类，此外使用3D卷积的高光谱图像谱空特征融合方法对分类精度有明显的促进作用。
Description
技术领域
本发明涉及高光谱图像分类技术领域，尤指一种基于3D卷积谱空特征融合的高光谱图像分类算法。
背景技术
在高光谱图像分类领域中，支持向量机SVM由于效率高，所以被认为是最流行的方法，它是一种有监督的学习模型，通过一个非线性映射，将样本空间映射到一个高维的特征空间中，使得原来的样本空间中的非线性可分问题转化为特征空间中的线性可分问题，从而实现对高光谱图像的分类，然而该方法存在着分类精度低、不能有效应对图像中存在的噪声并且在小样本环境下的精度不能满足实际的应用需求；因此，近年来又出现了以主成分分析方法降维并使用Gabor特征的高光谱图像谱空特征融合方法，以提高分类精度，这种方法虽然在一定程度上可以提高高光谱图像的分类精度，但往往会牺牲数据中携带的部分信息，使得谱空融合后的信息并不完整，限制了其性能的上限。基于上述存在的问题，本发明提出了一种基于3D卷积谱空特征融合的高光谱图像分类算法，该方法使用3D与1D卷积相结合的方式，构建出一个新颖的神经网络模型，它的分类精度更高、抗噪声能力更强，在小样本上的表现也更好，从而解决了现有技术中存在的问题。
发明内容
本发明要解决的技术问题是克服现有技术的缺点，提供一种基于3D卷积谱空特征融合的高光谱图像分类算法。
为了解决上述技术问题，本发明提供了如下的技术方案：一种基于3D卷积谱空特征融合的高光谱图像分类算法，该算法是一个四层结构，第一层是使用3D卷积神经网络来实现谱空特征融合，其输入数据为A1，输出为A2，第二层和第三层均是采用1D卷积神经网络对数据进行特征提取，第二层的输入和输出分别是A2和A3，第三层的输入和输出分别是A3和A4，第四层与第三层完全连接，输入和输出分别为A4和A5；其特征在于，高光谱图像分类算法包括以下几个步骤：
步骤一：对数据进行预处理；使用PCA白化为数据预处理方法，来降低不同光谱通道之间光谱信息的相关性，得到去掉相关性后的数据；
其中，PCA白化是指使用PCA方法将原始高光谱数据X映射到新的坐标下的数据X',对X'的每一个特征维度进行标准差归一化处理；其处理公式为：其中std(·)是求标准差的函数，X”为经过PCA白化后生成的新数据；
步骤二：使用3D卷积对第一层输入数据进行谱空特征融合；使用16个大小为7*7*1，移动步长为(1，1，1)的过滤器以待分类点为中心，对输入数据进行3D卷积来融合谱空特征，在过滤器中心点位于xyz处的3D卷积的计算公式为：
其中为第一层中过滤器中需要学习的参数，代表被过滤器覆盖的与相对应输入数据的值，b(1)为需要学习的偏置，α1、β1、γ1分别是3D卷积过滤器在3个维度上的尺寸，m0为输入的特征图的数量，函数σ(·)为非线性激活函数，非线性激活函数的公式为：σ(x)＝max(0,x)；
在第一层中，输入是从PCA白化后的数据X'中随机提取的7*7*C1的数据块，其7*7*C1三个维度分别代表长、宽和光谱通道，待分类点位于长和宽两个维度的中央，也就是(3*3)，该层使用16个大小为7*7*1(即α1、β1、γ1分别为7、7、1)的3D卷积过滤器对数据块进行3D卷积操作，实现光谱-空间特征融合，过滤器在三个维度的移动的步长均为1，输出为16个维度为C2(C2＝C1)的特征向量；
步骤三：使用1D卷积提取第一层的输出中所包含的特征，并对第二层的输入数据进行融合，生成新的特征向量；该层使用8个尺寸为9，步长为2的过滤器以待分类点为中心，对第二层的输入数据，也就是第一层的输出数据A2进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：
其中，为第二层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(2)为需要学习的偏置，α2是1D卷积过滤器的尺寸，m1为输入的特征向量的数量，m1等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第一层的输出A2，即16个维度为C1的特征向量，使用8个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为8个维度为C3的特征向量A3，
步骤四：使用1D卷积进一步提取第二层的输出数据A3中所包含的特征，并对第三层的数据进行融合，生成新的特征向量；该层使用16个尺寸为9，步长为2的过滤器以待分类点为中心，对第三层的输入数据，也就是第二层的输出数据A3进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：其中，为第三层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(3)为需要学习的偏置，α3是1D卷积过滤器的尺寸，m2为输入的特征向量的数量，m2等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第二层的输出A3，即8个维度为C3的特征向量，使用16个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为16个维度为C4的特征向量A4，
步骤五：第四层用于对第一层、第二层和第三层中提取的数据中存在的特征进行分类；在第四层中，首先要将输入的16个C4维特征向量进行堆叠，重构成一个C3*16维的向量V(3)，然后将该向量乘以参数矩阵W(4)，得到一个维度为C5的向量V(4)；
然后将softmax分类函数作用于V(4)上最后输出维度为C5的分类向量A5，分类向量的维度C5等于高光谱图像中包含感兴趣地物种类的个数，每个维度代表待分类点属于对应类别的概率值，最终认为概率最大的类别为待分类点所属的类别。其过程中的分类公式为：
其中W(4)与b(4)为需要学习的参数，softmax函数的公式为：
步骤六：数据经过第一层、第二层、第三层和第四层逐层完成前向传播，得到的输入数据属于某一类别的预测，由于网络中需要学习的参数需要通过梯度下降法进行学习，因此要使用损失函数评价预测值与真实值之间的误差，该损失函数的公式为：
其中，li为待分类点属于第i类的真实概率值，vi是待分类点属于第i类的预测概率值，网络中需要学习的参数W与b作为变量，通过调整W与b的数值使loss的值最小，因此可以求出网络中关于参数W与b的梯度，应用梯度下降法求得合适的参数值，使网络具有良好的性能。
作为本发明的一种优选技术方案，第一层使用3D卷积操作进行谱空特征融合，且3D卷积层过滤器的大小为7*7*1，三个维度上的步长为(1，1，1)；第二层和第三层中均都是使用1D卷积操作来提取第一层的输出中所包含的数据特征，且1D卷积层过滤器的大小为9，步长为2。
作为本发明的一种优选技术方案，第一层、第二层和第三层用于提取数据中存在的特征，第四层与第三层之间使用完全连接的方式实现对输入特征的分类。
作为本发明的一种优选技术方案，在训练时超参数设置方面，学习率设置为0.01，使用交叉熵作为损失函数，以Adam优化器训练1000个epoch。
作为本发明的一种优选技术方案，第四层使用sotfmax函数，其余层均使用ReLU函数作为非线性激活函数。
本发明所达到的有益效果是：一种基于3D卷积谱空特征融合的高光谱图像分类算法，通过使用PCA白化降低光谱特征之间的相关性，极大程度地提高神经网络的训练速度；且本发明通过采用3D卷积神经网络和1D卷积神经网络对数据进行融合谱空特征，可以达到更高的分类精度，在小样本上表现效果较好，并且有着较高的计算效率，特征融合过程中没有信息损失，使其能够完成高效、准确的分类，此外使用3D卷积的高光谱图像谱空特征融合方法对分类精度有明显的促进作用。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明整体网络结构图。
C1是高光谱图像的光谱通道个数，因使用数据不同，该光谱通道数并不固定；C2，C3，C4，是各层经过卷积操作后数据得到的特征向量维度，该维度同样受光谱通道数量的影响；C5是高光谱图像中待分类地物的种类。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例：如图1所示，一种基于3D卷积谱空特征融合的高光谱图像分类算法，该算法是一个四层结构，第一层是使用3D卷积神经网络来实现谱空特征融合，其输入数据为A1，输出为A2，第二层和第三层均是采用1D卷积神经网络对数据进行特征提取，第二层的输入和输出分别是A2和A3，第三层的输入和输出分别是A3和A4，第四层与第三层完全连接，输入和输出分别为A4和A5；其特征在于，高光谱图像分类算法包括以下几个步骤：
步骤一：对数据进行预处理；使用PCA白化为数据预处理方法，来降低不同光谱通道之间光谱信息的相关性，得到去掉相关性后的数据；
其中，PCA白化是指使用PCA方法将原始高光谱数据X映射到新的坐标下的数据X',对X'的每一个特征维度进行标准差归一化处理；其处理公式为：其中std(·)是求标准差的函数，X”为经过PCA白化后生成的新数据；
步骤二：使用3D卷积对第一层输入数据进行谱空特征融合；使用16个大小为7*7*1，移动步长为(1，1，1)的过滤器以待分类点为中心，对输入数据进行3D卷积来融合谱空特征，在过滤器中心点位于xyz处的3D卷积的计算公式为：
其中，为第一层中过滤器中需要学习的参数，代表被过滤器覆盖的与相对应输入数据的值，b(1)为需要学习的偏置，α1、β1、γ1分别是3D卷积过滤器在3个维度上的尺寸，m0为输入的特征图的数量，函数σ(·)为非线性激活函数，非线性激活函数的公式为：σ(x)＝max(0,x)；
在第一层中，输入是从PCA白化后的数据X'中随机提取的7*7*C1的数据块，其7*7*C1三个维度分别代表长、宽和光谱通道，待分类点位于长和宽两个维度的中央，也就是(3*3)，该层使用16个大小为7*7*1(即α1、β1、γ1分别为7、7、1)的3D卷积过滤器对数据块进行3D卷积操作，实现光谱-空间特征融合，过滤器在三个维度的移动的步长均为1，输出为16个维度为C2(C2＝C1)的特征向量；
步骤三：使用1D卷积提取第一层的输出中所包含的特征，并对第二层的输入数据进行融合，生成新的特征向量；该层使用8个尺寸为9，步长为2的过滤器以待分类点为中心，对第二层的输入数据，也就是第一层的输出数据A2进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：
其中，为第二层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(2)为需要学习的偏置，α2是1D卷积过滤器的尺寸，m1为输入的特征向量的数量，m1等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第一层的输出A2，即16个维度为C1的特征向量，使用8个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为8个维度为C3的特征向量A3，
步骤四：使用1D卷积进一步提取第二层的输出数据A3中所包含的特征，并对第三层的数据进行融合，生成新的特征向量；该层使用16个尺寸为9，步长为2的过滤器以待分类点为中心，对第三层的输入数据，也就是第二层的输出数据A3进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：其中，为第三层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(3)为需要学习的偏置，α3是1D卷积过滤器的尺寸，m2为输入的特征向量的数量，m2等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第二层的输出A3，即8个维度为C3的特征向量，使用16个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为16个维度为C4的特征向量A4，
步骤五：第四层用于对第一层、第二层和第三层中提取的数据中存在的特征进行分类；在第四层中，首先要将输入的16个C4维特征向量进行堆叠，重构成一个C3*16维的向量V(3)，然后将该向量乘以参数矩阵W(4)，得到一个维度为C5的向量V(4)；
然后将softmax分类函数作用于V(4)上最后输出维度为C5的分类向量A5，分类向量的维度C5等于高光谱图像中包含感兴趣地物种类的个数，每个维度代表待分类点属于对应类别的概率值，最终认为概率最大的类别为待分类点所属的类别，其过程中的分类公式为：
其中W(4)与b(4)为需要学习的参数，softmax函数的公式为：
步骤六：数据经过第一层、第二层、第三层和第四层逐层完成前向传播，得到的输入数据属于某一类别的预测，由于网络中需要学习的参数需要通过梯度下降法进行学习，因此要使用损失函数评价预测值与真实值之间的误差，该损失函数的公式为：
其中，li为待分类点属于第i类的真实概率值，vi是待分类点属于第i类的预测概率值，网络中需要学习的参数W与b作为变量，通过调整W与b的数值使loss的值最小，因此可以求出网络中关于参数W与b的梯度，应用梯度下降法求得合适的参数值，使网络具有良好的性能。
第一层使用3D卷积操作进行谱空特征融合，且3D卷积层过滤器的大小为7*7*1，三个维度上的步长为(1，1，1)；第二层和第三层中均都是使用1D卷积操作来提取第一层的输出中所包含的数据特征，且1D卷积层过滤器的大小为9，步长为2。
第一层、第二层和第三层用于提取数据中存在的特征，第四层与第三层之间使用完全连接的方式实现对输入特征的分类。
在训练时超参数设置方面，学习率设置为0.01，使用交叉熵作为损失函数，以Adam优化器训练1000个epoch。
第四层使用sotfmax函数，其余层均使用ReLU函数作为非线性激活函数。
最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于3D卷积谱空特征融合的高光谱图像分类算法，该算法是一个四层结构，第一层是使用3D卷积神经网络来实现谱空特征融合，其输入数据为A1，输出为A2，第二层和第三层均是采用1D卷积神经网络对数据进行特征提取，第二层的输入和输出分别是A2和A3，第三层的输入和输出分别是A3和A4，第四层与第三层完全连接，输入和输出分别为A4和A5；其特征在于，高光谱图像分类算法包括以下几个步骤：
步骤一：对数据进行预处理；使用PCA白化为数据预处理方法，来降低不同光谱通道之间光谱信息的相关性，得到去掉相关性后的数据；
其中，PCA白化是指使用PCA方法将原始高光谱数据X映射到新的坐标下的数据X',对X'的每一个特征维度进行标准差归一化处理；其处理公式为：其中std(·)是求标准差的函数，X”为经过PCA白化后生成的新数据；
步骤二：使用3D卷积对第一层输入数据进行谱空特征融合；使用16个大小为7*7*1，移动步长为(1，1，1)的过滤器以待分类点为中心，对输入数据进行3D卷积来融合谱空特征，在过滤器中心点位于xyz处的3D卷积的计算公式为：其中，为第一层中过滤器中需要学习的参数，代表被过滤器覆盖的与相对应输入数据的值，b(1)为需要学习的偏置，α1、β1、γ1分别是3D卷积过滤器在3个维度上的尺寸，m0为输入的特征图的数量，函数σ(·)为非线性激活函数，非线性激活函数的公式为：σ(x)＝max(0,x)；
在第一层中，输入是从PCA白化后的数据X'中随机提取的7*7*C1的数据块，其7*7*C1三个维度分别代表长、宽和光谱通道，待分类点位于长和宽两个维度的中央，也就是(3*3)，该层使用16个大小为7*7*1(即α1、β1、γ1分别为7、7、1)的3D卷积过滤器对数据块进行3D卷积操作，实现光谱-空间特征融合，过滤器在三个维度的移动的步长均为1，输出为16个维度为C2(C2＝C1)的特征向量；
步骤三：使用1D卷积提取第一层的输出中所包含的特征，并对第二层的输入数据进行融合，生成新的特征向量；该层使用8个尺寸为9，步长为2的过滤器以待分类点为中心，对第二层的输入数据，也就是第一层的输出数据A2进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：其中，为第二层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(2)为需要学习的偏置，α2是1D卷积过滤器的尺寸，m1为输入的特征向量的数量，m1等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第一层的输出A2，即16个维度为C1的特征向量，使用8个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为8个维度为C3的特征向量A3，
步骤四：使用1D卷积进一步提取第二层的输出数据A3中所包含的特征，并对第三层的数据进行融合，生成新的特征向量；该层使用16个尺寸为9，步长为2的过滤器以待分类点为中心，对第三层的输入数据，也就是第二层的输出数据A3进行1D卷积，在过滤器中心点位于x处的1D卷积计算公式为：其中，为第三层中过滤器需要学习的参数，代表被过滤器覆盖的与相对应的数据的值，b(3)为需要学习的偏置，α3是1D卷积过滤器的尺寸，m2为输入的特征向量的数量，m2等于上一层过滤器的数量，函数σ(·)为非线性激活函数；
该层的输入是第二层的输出A3，即8个维度为C3的特征向量，使用16个大小为9的1D卷积输入数据进行1D卷积操作，其移动步长为2，输出为16个维度为C4的特征向量A4，
步骤五：第四层用于对第一层、第二层和第三层中提取的数据中存在的特征进行分类；在第四层中，首先要将输入的16个C4维特征向量进行堆叠，重构成一个C3*16维的向量V(3)，然后将该向量乘以参数矩阵W(4)，得到一个维度为C5的向量V(4)；
然后将softmax分类函数作用于V(4)上最后输出维度为C5的分类向量A5，分类向量的维度C5等于高光谱图像中包含感兴趣地物种类的个数，每个维度代表待分类点属于对应类别的概率值，最终认为概率最大的类别为待分类点所属的类别，其过程中的分类公式为：其中W(4)与b(4)为需要学习的参数，softmax函数的公式为：
步骤六：数据经过第一层、第二层、第三层和第四层逐层完成前向传播，得到的输入数据属于某一类别的预测，由于网络中需要学习的参数需要通过梯度下降法进行学习，因此要使用损失函数评价预测值与真实值之间的误差，该损失函数的公式为：其中，li为待分类点属于第i类的真实概率值，vi是待分类点属于第i类的预测概率值，网络中需要学习的参数W与b作为变量，通过调整W与b的数值使loss的值最小，因此可以求出网络中关于参数W与b的梯度，应用梯度下降法求得合适的参数值，使网络具有良好的性能。
2.根据权利要求1所述的一种基于3D卷积谱空特征融合的高光谱图像分类算法，其特征在于，第一层使用3D卷积操作进行谱空特征融合，且3D卷积层过滤器的大小为7*7*1，三个维度上的步长为(1，1，1)；第二层和第三层中均都是使用1D卷积操作来提取第一层的输出中所包含的数据特征，且1D卷积层过滤器的大小为9，步长为2。
3.根据权利要求1所述的一种基于3D卷积谱空特征融合的高光谱图像分类算法，其特征在于，第一层、第二层和第三层用于提取数据中存在的特征，第四层与第三层之间使用完全连接的方式实现对输入特征的分类。
4.根据权利要求1所述的一种基于3D卷积谱空特征融合的高光谱图像分类算法，其特征在于，在训练时超参数设置方面，学习率设置为0.01，使用交叉熵作为损失函数，以Adam优化器训练1000个epoch。
5.根据权利要求1所述的一种基于3D卷积谱空特征融合的高光谱图像分类算法，其特征在于，第四层使用sotfmax函数，其余层均使用ReLU函数作为非线性激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467083.XA CN109711269B (zh) | 2018-12-03 | 2018-12-03 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811467083.XA CN109711269B (zh) | 2018-12-03 | 2018-12-03 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711269A true CN109711269A (zh) | 2019-05-03 |
| CN109711269B CN109711269B (zh) | 2023-06-20 |
Family
ID=66254484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811467083.XA Active CN109711269B (zh) | 2018-12-03 | 2018-12-03 | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711269B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
| CN110264501A (zh) * | 2019-05-05 | 2019-09-20 | 中国地质大学（武汉） | 一种基于cnn的自适应粒子滤波视频目标跟踪方法及系统 |
| CN110443296A (zh) * | 2019-07-30 | 2019-11-12 | 西北工业大学 | 面向高光谱图像分类的数据自适应激活函数学习方法 |
| CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654098A (zh) * | 2016-03-23 | 2016-06-08 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| US20170011280A1 (en) * | 2015-07-07 | 2017-01-12 | Xerox Corporation | Extracting gradient features from neural networks |
| US20170046616A1 (en) * | 2015-08-15 | 2017-02-16 | Salesforce.Com, Inc. | Three-dimensional (3d) convolution with 3d batch normalization |
| CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| 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 |
| CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
-
2018
- 2018-12-03 CN CN201811467083.XA patent/CN109711269B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| US20170011280A1 (en) * | 2015-07-07 | 2017-01-12 | Xerox Corporation | Extracting gradient features from neural networks |
| US20170046616A1 (en) * | 2015-08-15 | 2017-02-16 | Salesforce.Com, Inc. | Three-dimensional (3d) convolution with 3d batch normalization |
| CN105654098A (zh) * | 2016-03-23 | 2016-06-08 | 深圳大学 | 一种高光谱遥感图像的分类方法及其系统 |
| CN106469316A (zh) * | 2016-09-07 | 2017-03-01 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| 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 |
| CN107798348A (zh) * | 2017-10-27 | 2018-03-13 | 广东省智能制造研究所 | 基于邻域信息深度学习的高光谱图像分类方法 |
Non-Patent Citations (6)
| Title |
|---|
| M HE: ""Multi-scale 3D deep convolutional neural network for hyperspectral image classification"", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
| 付光远: ""基于卷积神经网络的高光谱图像谱-空联合分类"", 《科学技术与工程》 * |
| 张号逵等: "深度学习在高光谱图像分类领域的研究现状与展望", 《自动化学报》 * |
| 李竺强等: "三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类", 《光学学报》 * |
| 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》 * |
| 王鹤桥: ""高光谱图像兴趣体自动提取技术研究"", 《中国优秀硕士论文全文数据库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264501A (zh) * | 2019-05-05 | 2019-09-20 | 中国地质大学（武汉） | 一种基于cnn的自适应粒子滤波视频目标跟踪方法及系统 |
| CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
| CN110443296A (zh) * | 2019-07-30 | 2019-11-12 | 西北工业大学 | 面向高光谱图像分类的数据自适应激活函数学习方法 |
| CN110443296B (zh) * | 2019-07-30 | 2022-05-06 | 西北工业大学 | 面向高光谱图像分类的数据自适应激活函数学习方法 |
| CN115195757A (zh) * | 2022-09-07 | 2022-10-18 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
| CN115195757B (zh) * | 2022-09-07 | 2023-08-04 | 郑州轻工业大学 | 电动公交起步驾驶行为建模及识别训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711269B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711269A (zh) | 一种基于3d卷积谱空特征融合的高光谱图像分类算法 | |
| CN107977932B (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
| CN110515456B (zh) | 基于注意力机制的脑电信号情感判别方法及装置 | |
| CN107273936B (zh) | 一种gan图像处理方法及系统 | |
| CN111274869B (zh) | 基于并行注意力机制残差网进行高光谱图像分类的方法 | |
| CN105138973B (zh) | 人脸认证的方法和装置 | |
| CN107578007A (zh) | 一种基于多特征融合的深度学习人脸识别方法 | |
| CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
| CN111699494A (zh) | 使用通过主成分分析和重复频谱聚类进行训练的卷积神经网络的对象识别 | |
| CN111259904B (zh) | 一种基于深度学习和聚类的语义图像分割方法及系统 | |
| CN110309835B (zh) | 一种图像局部特征提取方法及装置 | |
| CN112329801B (zh) | 一种卷积神经网络非局部信息构建方法 | |
| CN108090472A (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
| CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
| Zhu et al. | A-pixelhop: A green, robust and explainable fake-image detector | |
| Saha et al. | Bangla handwritten digit recognition using an improved deep convolutional neural network architecture | |
| CN111160400A (zh) | 一种基于修正边界攻击的对抗攻击方法 | |
| CN111325288B (zh) | 基于聚类思想的多视角动态脑网络特征维度约减方法 | |
| CN114639000A (zh) | 一种基于跨样本注意力聚合的小样本学习方法和装置 | |
| Dong et al. | Research on image classification based on capsnet | |
| CN116563410A (zh) | 基于两级生成对抗网络的电气设备电火花图像生成方法 | |
| CN112560824B (zh) | 一种基于多特征自适应融合的人脸表情识别方法 | |
| CN111310516A (zh) | 一种行为识别方法和装置 | |
| CN113989566A (zh) | 一种图像分类方法、装置、计算机设备和存储介质 | |
| CN113688715A (zh) | 面部表情识别方法及系统 |
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 |