CN110309868A - 结合无监督学习的高光谱图像分类方法 - Google Patents
结合无监督学习的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN110309868A CN110309868A CN201910550804.1A CN201910550804A CN110309868A CN 110309868 A CN110309868 A CN 110309868A CN 201910550804 A CN201910550804 A CN 201910550804A CN 110309868 A CN110309868 A CN 110309868A
- Authority
- CN
- China
- Prior art keywords
- labels
- samples
- unsupervised
- hyperspectral image
- image classification
- 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 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 4
- 241001466077 Salina Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种结合无监督学习的高光谱图像分类方法，用于解决现有高光谱图像分类方法分类精度低的技术问题。技术方案是针对卷积神经网络模型在训练样本较少时存在过拟合的技术问题，利用无监督数据来约束卷积神经网络模型，使其在训练样本较少时能减小训练过拟合的风险。为了更好地学习无监督信息，采用一个两路分支网络，通过一个共享的特征提取模块，独立地对带标签数据和无标签数据进行特征映射，使得共享的特征提取模块可以学习到高光谱数据的无监督信息(类内相似性和类间差异性)，从而更好地辅助高光谱图像分类任务，提高高光谱图像分类精度。
Description
技术领域
本发明涉及一种高光谱图像分类方法，特别是涉及一种结合无监督学习的高光谱图像分类方法。
背景技术
高光谱图像分类任务旨在为图像中的每一个像素点赋予一个标签，这其中深度学习算法在分类任务中展现了其良好的性能。但基于深度学习的高光谱图像分类方法往往依赖于大量已知标签的数据，而在实际任务中可用的标记数据量往往较少，这限制了深度学习分类算法的应用。与之相对的是，遥感领域的快速发展使研究者可以获得大量无标签高质量的高光谱数据。
生成对抗网络为无监督学习提供了一个新方向，文献1“Zhan Y,Hu D,Wang Y,etal.Semisupervised Hyperspectral Image Classification Based on GenerativeAdversarial Networks[J].IEEE Geoscience and Remote Sensing Letters,2018,15(2):212-216.”试图通过生成对抗网络生成新的样本，同时利用生成的新样本和少量的带标签的真实样本进行分类，从而得到一个较好的分类器，但是这种方法仅利用了与真实数据可能存在偏差的生成样本，在学习的过程中并未考虑真实的无监督数据。文献2“Bei F,Ying L,Haokui Z,et al.Semi-Supervised Deep Learning Classification forHyperspectral Image Based on Dual-Strategy Sample Selection[J].RemoteSensing,2018,10(4):574-.”利用了一个双策略选择算法，在残差网络的基础之上，对无标签样本进行主动选择。其首先利用初始的少量带标签的真实数据集及其标签来训练残差网络，然后利用该网络对未知标签的样本数据预测其样本标签，然后将置信度较高的测试样本及其标签加入到标签数据集中，再重复上述模型训练及测试过程，直到达到较好的分类效果。但该方法采用的训练方式本质上为序贯性的训练方法，需要多次迭代完成，训练效率较低，此外，该方法初始时采用的标签样本数量较少，难以保证模型充分训练，一旦初始的分类效果不佳，该方法会导致分类精度越来越低。
发明内容
为了克服现有高光谱图像分类方法分类精度低的不足，本发明提供一种结合无监督学习的高光谱图像分类方法。该方法针对卷积神经网络模型在训练样本较少时存在过拟合的技术问题，利用无监督数据来约束卷积神经网络模型，使其在训练样本较少时能减小训练过拟合的风险。为了更好地学习无监督信息，采用一个两路分支网络，通过一个共享的特征提取模块，独立地对带标签数据和无标签数据进行特征映射，使得共享的特征提取模块可以学习到高光谱数据的无监督信息(类内相似性和类间差异性)，从而更好地辅助高光谱图像分类任务，提高高光谱图像分类精度。
本发明解决其技术问题所采用的技术方案是：一种结合无监督学习的高光谱图像分类方法，其特点是包括以下步骤：
步骤一、将高光谱数据集分成带标签样本集Dtr＝{xi,yi}和无标签样本集Utr＝{xj,uj}，其中yi属于[0,L-1]，表示真实标签；uj属于[0,K-1]，表示对无标签样本集使用k-means聚类算法，利用聚类结果为每一个无标签样本赋予聚类伪标签，xi和xj分别表示带标签样本集和无标签样本集的训练样本，L和K分别表示样本类别数和聚类中心个数。
步骤二、设计一个共享的特征提取模块来同时提取带标签样本和无标签样本的特征。共享的特征提取模块由四个卷积层构成。
步骤三、设计监督学习和无监督学习两路分类器，将步骤二得到的特征分别作用于这两类分类器，得到分类任务的预测标签和聚类任务的预测标签。监督学习分类器由两个全连接层组成，第一层全连接层后使用了一个批归一化层和修正线性单元；而第二层全连接层后使用了接一个归一化指数函数，用于将特征转化到概率分布。无监督学习分支最后一层神经单元的个数为聚类中心的个数，而监督学习分类器最后一层神经单元的个数为样本类别个数。
步骤四、根据真实的标签和伪标签，分别计算监督学习和无监督学习两路分类器的交叉熵，并利用反向传播算法更新整个模型参数。其中损失函数表示如下：
lsup为监督学习的交叉熵，lunsup为无监督学习的交叉熵，ntr,nte分别表示训练样本和测试样本的个数，是样本xi和xj预测的分类标签和聚类标签，yi，uj表示xi和xj对应的真实标签和聚类伪标签。
本发明的有益效果是：该方法针对卷积神经网络模型在训练样本较少时存在过拟合的技术问题，利用无监督数据来约束卷积神经网络模型，使其在训练样本较少时能减小训练过拟合的风险。为了更好地学习无监督信息，采用一个两路分支网络，通过一个共享的特征提取模块，独立地对带标签数据和无标签数据进行特征映射，使得共享的特征提取模块可以学习到高光谱数据的无监督信息(类内相似性和类间差异性)，从而更好地辅助高光谱图像分类任务，提高高光谱图像分类精度。
本发明在‘帕维亚大学’高光谱数据集，每类200个训练样本的设置下，取得99.01％的分类准确率，相比背景技术使用三维卷积的方式，分类准确率提高4.13％，；在‘萨利纳斯’高光谱数据集，每类200个训练样本的设置下，相比背景技术使用三维卷积的方式，分类准确率提高1.90％，取得97.18％的分类准确率。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
对于一个L类的高光谱图像分类任务，定义ntr个带标签样本(训练集)Dtr＝{xi,yi}，xi表示第i个光谱向量(第i个样本)，yi为其对应的标签。高光谱分类任务是利用训练集Dtr，训练一个分类器，从而预测测试集Dte中每一个标签未知的像素的标签。本发明所构建的结合无监督学习的高光谱图像分类模型详述如下：
构建一个两路分支网络，这两路网络首先通过一个共享的特征提取模块关联带标签数据和无标签数据，然后分别作用于带标签数据和无标签数据上。
对于带标签的数据，采用数据的真实标记来训练网络。考虑到无标签的样本没有真实标签，难以直接训练网络模型，采用聚类的方法得到数据的聚类伪标签来训练网络。通过聚类算法将光谱信息相似的像素点聚集在一起，得到聚类伪标签。并基于该伪标签构建分类器网络，来提取可以表征类内相似性和类间差异性的特征。在此基础上，利用共享的特征提取模块将表征类内相似性和类间差异性的特征来有效约束真实样本所用的分类器网络中，从而提高了分类任务的性能。
本发明结合无监督学习的高光谱图像分类方法具体步骤如下：
1、共享的特征提取模块：
对于高光谱数据集中的所有数据，应用k均值算法将所有的像素点分成K类，K表示聚类中心的个数。利用聚类算法，为每一个像素点赋予一个伪标签，构成无监督任务对应的数据集Utr＝{xj,uj}，其中，uj属于[0,K-1]。共享的特征提取模块由四个卷积层构成，每一个卷积层后接一个批归一化层和修正线性激活单元。四个卷积层的卷积核个数分别为64，128，256，512，卷积核的大小分别为8，3，3，1，卷积步长为3，3，3，1。
2、分类器模块：
监督学习分类器由两个全连接层组成，第一层全连接层后使用了一个批归一化层和修正线性单元，全连接层的神经元个数为512；而第二层全连接层后使用了接一个归一化指数函数，用于将特征转化到概率分布，其神经元个数为真实样本类别数L。无监督学习分支的分类器和监督学习分类器的结构相似。区别点仅在于：无监督学习分支最后一层神经单元的个数为聚类中心的个数K，而监督学习分类器最后一层神经单元的个数为样本类别个数L。
3、损失函数：
模型包含两个不同的任务，损失函数表示为如下形式，
ltotal＝λlsup+lunsup
其中，lsup和lunsup分别表示监督学习分类器和无监督学习分类器的损失，λ是一个平衡系数，实验中，取值为1，由于两个任务都为分类任务，使用交叉熵作为每个任务的损失函数，表示如下：
其中，是样本xi和xj预测的分类标签和聚类伪标签，yi和uj表示样本对应的真实标签和聚类伪标签，ntr和nts表示训练集的样本个数和测试集的样本个数。整个损失函数连续可微，通过反向传播算法进行参数更新。
本发明在‘帕维亚大学’高光谱数据集，每类200个训练样本的设置下，取得99.01％的分类准确率，相比使用三维卷积的方式，分类准确率提高4.13％，；在‘萨利纳斯’高光谱数据集，每类200个训练样本的设置下，相比使用三维卷积的方式，分类准确率提高1.90％，取得97.18％的分类准确率。
Claims (1)
1.一种结合无监督学习的高光谱图像分类方法，其特征在于包括以下步骤：
步骤一、将高光谱数据集分成带标签样本集Dtr＝{xi,yi}和无标签样本集Utr＝{xj,uj}，其中yi属于[0,L-1]，表示真实标签；uj属于[0,K-1]，表示对无标签样本集使用k-means聚类算法，利用聚类结果为每一个无标签样本赋予聚类伪标签，xi和xj分别表示带标签样本集和无标签样本集的训练样本，L和K分别表示样本类别数和聚类中心个数；
步骤二、设计一个共享的特征提取模块来同时提取带标签样本和无标签样本的特征；共享的特征提取模块由四个卷积层构成；
步骤三、设计监督学习和无监督学习两路分类器，将步骤二得到的特征分别作用于这两类分类器，得到分类任务的预测标签和聚类任务的预测标签；监督学习分类器由两个全连接层组成，第一层全连接层后使用了一个批归一化层和修正线性单元；而第二层全连接层后使用了接一个归一化指数函数，用于将特征转化到概率分布；无监督学习分支最后一层神经单元的个数为聚类中心的个数，而监督学习分类器最后一层神经单元的个数为样本类别个数；
步骤四、根据真实的标签和伪标签，分别计算监督学习和无监督学习两路分类器的交叉熵，并利用反向传播算法更新整个模型参数；其中损失函数表示如下：
lsup为监督学习的交叉熵，lunsup为无监督学习的交叉熵，ntr,nte分别表示训练样本和测试样本的个数，是样本xi和xj预测的分类标签和聚类标签，yi,uj表示xi和xj对应的真实标签和聚类伪标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910550804.1A CN110309868A (zh) | 2019-06-24 | 2019-06-24 | 结合无监督学习的高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910550804.1A CN110309868A (zh) | 2019-06-24 | 2019-06-24 | 结合无监督学习的高光谱图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309868A true CN110309868A (zh) | 2019-10-08 |
Family
ID=68076129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910550804.1A Pending CN110309868A (zh) | 2019-06-24 | 2019-06-24 | 结合无监督学习的高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309868A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689092A (zh) * | 2019-10-18 | 2020-01-14 | 大连海事大学 | 一种基于数据导向的鞋底花纹图像深度聚类方法 |
| CN111401426A (zh) * | 2020-03-11 | 2020-07-10 | 西北工业大学 | 基于伪标签学习的小样本高光谱图像分类方法 |
| CN111598119A (zh) * | 2020-02-18 | 2020-08-28 | 天津大学 | 一种基于残差网络的图像聚类方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112784818A (zh) * | 2021-03-03 | 2021-05-11 | 电子科技大学 | 基于分组式主动学习在光学遥感图像上的识别方法 |
| CN112905823A (zh) * | 2021-02-22 | 2021-06-04 | 深圳市国科光谱技术有限公司 | 一种基于大数据平台的高光谱物质检测识别系统及方法 |
| CN113408605A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于小样本学习的高光谱图像半监督分类方法 |
| CN113469236A (zh) * | 2021-06-25 | 2021-10-01 | 江苏大学 | 一种自我标签学习的深度聚类图像识别系统及方法 |
| CN113762389A (zh) * | 2021-09-08 | 2021-12-07 | 大连海事大学 | 一种基于动态诊断的高光谱影像小样本分类方法 |
| CN113781404A (zh) * | 2021-08-19 | 2021-12-10 | 浙江大学 | 基于自监督预训练的道路病害检测方法和系统 |
| CN113887317A (zh) * | 2021-09-06 | 2022-01-04 | 池明旻 | 基于π模型的织物纤维成分半监督分类方法 |
| CN113889235A (zh) * | 2021-10-08 | 2022-01-04 | 国科宁波生命与健康产业研究院 | 一种三维医学影像无监督特征抽取系统 |
| CN114255878A (zh) * | 2021-12-07 | 2022-03-29 | 广东省人民医院 | 一种疾病分型模型的训练方法、系统、装置及存储介质 |
| CN114627390A (zh) * | 2022-05-12 | 2022-06-14 | 北京数慧时空信息技术有限公司 | 一种改进的主动学习遥感样本标记方法 |
| CN114819080A (zh) * | 2022-04-25 | 2022-07-29 | 深圳市商汤科技有限公司 | 神经网络训练及图像处理方法、装置、设备、存储介质 |
| CN115410026A (zh) * | 2022-07-14 | 2022-11-29 | 扬州大学 | 基于标签传播对比半监督学习的图像分类方法与系统 |
| CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
| CN116797794A (zh) * | 2023-07-10 | 2023-09-22 | 北京透彻未来科技有限公司 | 基于深度学习的肠癌病理分型系统 |
| CN117746079A (zh) * | 2023-11-15 | 2024-03-22 | 中国地质大学（武汉） | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
| CN105956612A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于主动学习和半监督学习的高光谱图像分类方法 |
| CN107180248A (zh) * | 2017-06-12 | 2017-09-19 | 桂林电子科技大学 | 基于联合损失增强网络的高光谱图像分类方法 |
| US9858502B2 (en) * | 2014-03-31 | 2018-01-02 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
| WO2018095516A1 (en) * | 2016-11-22 | 2018-05-31 | Universidad De Las Palmas De Gran Canaria | Method of non-invasive detection of tumour and/or healthy tissue and hyperspectral imaging apparatus |
| CN108491864A (zh) * | 2018-02-27 | 2018-09-04 | 西北工业大学 | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 |
| CN109034224A (zh) * | 2018-07-16 | 2018-12-18 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
| CN109858557A (zh) * | 2019-02-13 | 2019-06-07 | 安徽大学 | 一种新的高光谱图像数据半监督分类算法 |
-
2019
- 2019-06-24 CN CN201910550804.1A patent/CN110309868A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
| US9858502B2 (en) * | 2014-03-31 | 2018-01-02 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
| CN105956612A (zh) * | 2016-04-25 | 2016-09-21 | 西安电子科技大学 | 基于主动学习和半监督学习的高光谱图像分类方法 |
| WO2018095516A1 (en) * | 2016-11-22 | 2018-05-31 | Universidad De Las Palmas De Gran Canaria | Method of non-invasive detection of tumour and/or healthy tissue and hyperspectral imaging apparatus |
| CN107180248A (zh) * | 2017-06-12 | 2017-09-19 | 桂林电子科技大学 | 基于联合损失增强网络的高光谱图像分类方法 |
| CN108491864A (zh) * | 2018-02-27 | 2018-09-04 | 西北工业大学 | 基于自动确定卷积核大小卷积神经网络的高光谱图像分类 |
| CN109034224A (zh) * | 2018-07-16 | 2018-12-18 | 西安电子科技大学 | 基于双分支网络的高光谱分类方法 |
| CN109858557A (zh) * | 2019-02-13 | 2019-06-07 | 安徽大学 | 一种新的高光谱图像数据半监督分类算法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN DING 等: "Hyperspectral Image Classification Based on Convolutional Neural Networks With Adaptive Network Structure", 《2018 INTERNATIONAL CONFERENCE ON ORANGE TECHNOLOGIES (ICOT)》 * |
| NING OUYANG: "Convolutional Neural Network Trained by Joint Loss for Hyperspectral Image Classification", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| 李绣心 等: "基于卷积神经网络的半监督高光谱图像分类", 《电子测量与仪器学报》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689092B (zh) * | 2019-10-18 | 2022-06-14 | 大连海事大学 | 一种基于数据导向的鞋底花纹图像深度聚类方法 |
| CN110689092A (zh) * | 2019-10-18 | 2020-01-14 | 大连海事大学 | 一种基于数据导向的鞋底花纹图像深度聚类方法 |
| CN111598119A (zh) * | 2020-02-18 | 2020-08-28 | 天津大学 | 一种基于残差网络的图像聚类方法 |
| CN111401426B (zh) * | 2020-03-11 | 2022-04-08 | 西北工业大学 | 基于伪标签学习的小样本高光谱图像分类方法 |
| CN111401426A (zh) * | 2020-03-11 | 2020-07-10 | 西北工业大学 | 基于伪标签学习的小样本高光谱图像分类方法 |
| CN112052755A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于多路注意力机制的语义卷积高光谱图像分类方法 |
| CN112905823A (zh) * | 2021-02-22 | 2021-06-04 | 深圳市国科光谱技术有限公司 | 一种基于大数据平台的高光谱物质检测识别系统及方法 |
| CN112905823B (zh) * | 2021-02-22 | 2023-10-31 | 深圳市国科光谱技术有限公司 | 一种基于大数据平台的高光谱物质检测识别系统及方法 |
| CN112784818A (zh) * | 2021-03-03 | 2021-05-11 | 电子科技大学 | 基于分组式主动学习在光学遥感图像上的识别方法 |
| CN112784818B (zh) * | 2021-03-03 | 2023-03-14 | 电子科技大学 | 基于分组式主动学习在光学遥感图像上的识别方法 |
| CN113408605B (zh) * | 2021-06-16 | 2023-06-16 | 西安电子科技大学 | 基于小样本学习的高光谱图像半监督分类方法 |
| CN113408605A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于小样本学习的高光谱图像半监督分类方法 |
| CN113469236A (zh) * | 2021-06-25 | 2021-10-01 | 江苏大学 | 一种自我标签学习的深度聚类图像识别系统及方法 |
| CN113469236B (zh) * | 2021-06-25 | 2024-05-24 | 江苏大学 | 一种自我标签学习的深度聚类图像识别系统及方法 |
| CN113781404B (zh) * | 2021-08-19 | 2023-12-01 | 浙江大学 | 基于自监督预训练的道路病害检测方法和系统 |
| CN113781404A (zh) * | 2021-08-19 | 2021-12-10 | 浙江大学 | 基于自监督预训练的道路病害检测方法和系统 |
| CN113887317A (zh) * | 2021-09-06 | 2022-01-04 | 池明旻 | 基于π模型的织物纤维成分半监督分类方法 |
| CN113887317B (zh) * | 2021-09-06 | 2024-11-26 | 池明旻 | 基于π模型的织物纤维成分半监督分类方法 |
| CN113762389B (zh) * | 2021-09-08 | 2024-04-12 | 大连海事大学 | 一种基于动态诊断的高光谱影像小样本分类方法 |
| CN113762389A (zh) * | 2021-09-08 | 2021-12-07 | 大连海事大学 | 一种基于动态诊断的高光谱影像小样本分类方法 |
| CN113889235A (zh) * | 2021-10-08 | 2022-01-04 | 国科宁波生命与健康产业研究院 | 一种三维医学影像无监督特征抽取系统 |
| CN114255878A (zh) * | 2021-12-07 | 2022-03-29 | 广东省人民医院 | 一种疾病分型模型的训练方法、系统、装置及存储介质 |
| CN114819080A (zh) * | 2022-04-25 | 2022-07-29 | 深圳市商汤科技有限公司 | 神经网络训练及图像处理方法、装置、设备、存储介质 |
| CN114627390A (zh) * | 2022-05-12 | 2022-06-14 | 北京数慧时空信息技术有限公司 | 一种改进的主动学习遥感样本标记方法 |
| WO2023216725A1 (zh) * | 2022-05-12 | 2023-11-16 | 北京数慧时空信息技术有限公司 | 一种改进的主动学习遥感样本标记方法 |
| CN115410026A (zh) * | 2022-07-14 | 2022-11-29 | 扬州大学 | 基于标签传播对比半监督学习的图像分类方法与系统 |
| CN116797794A (zh) * | 2023-07-10 | 2023-09-22 | 北京透彻未来科技有限公司 | 基于深度学习的肠癌病理分型系统 |
| CN116778208B (zh) * | 2023-08-24 | 2023-11-10 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
| CN116778208A (zh) * | 2023-08-24 | 2023-09-19 | 吉林大学 | 一种基于深度网络模型的图像聚类方法 |
| CN117746079A (zh) * | 2023-11-15 | 2024-03-22 | 中国地质大学（武汉） | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
| CN117746079B (zh) * | 2023-11-15 | 2024-05-14 | 中国地质大学（武汉） | 一种高光谱图像的聚类预测方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
| CN107122809B (zh) | 基于图像自编码的神经网络特征学习方法 | |
| CN107480261B (zh) | 一种基于深度学习细粒度人脸图像快速检索方法 | |
| CN106096561B (zh) | 基于图像块深度学习特征的红外行人检测方法 | |
| CN113011499A (zh) | 一种基于双注意力机制的高光谱遥感图像分类方法 | |
| CN110309856A (zh) | 图像分类方法、神经网络的训练方法及装置 | |
| CN110163258A (zh) | 一种基于语义属性注意力重分配机制的零样本学习方法及系统 | |
| CN105160400B (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
| CN108846444B (zh) | 面向多源数据挖掘的多阶段深度迁移学习方法 | |
| CN107180248A (zh) | 基于联合损失增强网络的高光谱图像分类方法 | |
| CN105184298B (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
| CN105095863B (zh) | 基于相似性权值的半监督字典学习的人体行为识别方法 | |
| CN108416318A (zh) | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 | |
| Sapkota et al. | Deep convolutional hashing for low-dimensional binary embedding of histopathological images | |
| Fang et al. | Muti-stage learning for gender and age prediction | |
| CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
| CN104966105A (zh) | 一种鲁棒机器错误检索方法与系统 | |
| CN104680179B (zh) | 基于邻域相似度的数据降维方法 | |
| CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
| CN112836671A (zh) | 一种基于最大化比率和线性判别分析的数据降维方法 | |
| CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
| CN106845525A (zh) | 一种基于底层融合特征的深度置信网络图像分类协议 | |
| CN106650765B (zh) | 基于卷积神经网络的高光谱数据转灰度图的高光谱数据分类方法 | |
| CN109784405A (zh) | 基于伪标签学习和语义一致性的跨模态检索方法及系统 | |
| CN103577841A (zh) | 一种无监督多视图特征选择的人体行为识别方法 |
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: 20191008 |
|
| WD01 | Invention patent application deemed withdrawn after publication |