CN110689065A - 一种基于扁平混合卷积神经网络的高光谱图像分类方法 - Google Patents
一种基于扁平混合卷积神经网络的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN110689065A CN110689065A CN201910901178.6A CN201910901178A CN110689065A CN 110689065 A CN110689065 A CN 110689065A CN 201910901178 A CN201910901178 A CN 201910901178A CN 110689065 A CN110689065 A CN 110689065A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hyperspectral image
- network model
- dimensional
- training
- 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 32
- 238000013528 artificial neural network Methods 0.000 title description 5
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000001228 spectrum Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及高光谱图像处理技术领域，尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。本申请提供的方法利用多种维度的卷积，在初级神经网络模型的前几层引入三维卷积，对空间‑光谱特征进行提取和表示，后几层接上二维卷积层，对已经学习到的特征进一步整合，既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点，又能比单一的二维卷积学习到更有效的特征；结合了多种类型的池化进行采样，在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征，大大减少了模型的参数，缓和过拟合现象，使之在较少的训练样本下也能保持特征学习能力，获得良好的分类效果。
Description
技术领域
本申请涉及高光谱图像处理技术领域，尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。
背景技术
得益于遥感技术的发展与成熟，高光谱图像技术近年来也得到了快速发展。高光谱图像中丰富的光谱信息在农业、军事、地质勘探、环境监测等领域发挥着重要作用。高光谱图像的分类技术一直以来都是其中一个备受关注的应用方向，其目的是对高光谱图像中每个像素点对应的地表物体类别实现准确判定。然而在实际应用中，由于光谱数据量庞大且波段间的信息相关性强，要获得较高的分类精度是十分具有挑战性的。
近年来深度神经网络尤其是卷积神经网络在自然图像领域成绩显著，基于卷积神经网络的高光谱图像分类方法也不断被提出。已有大量研究成果表明，卷积神经网络的特征提取与学习能力优于传统的特征提取方法，并且利用多维的空间-光谱特征进行分类的效果会远好于仅利用光谱信息的方法，其中三维的卷积神经网络对空间-光谱特征的提取和表示能力比二维和一维的都更好。然而三维的卷积神经网络中的特征均为立方体的形式，拥有大量参数且需要较多的存储空间，训练起来也更加耗时，最终获得的分类效果可能还没有二维的好。
最新有研究成果尝试将二维和三维的卷积联合起来，然而其提出的结构在训练样本较少时学习到的特征有限，分类效果较差，在分类精度上仍有很大的提升空间。
发明内容
本申请提供了一种基于扁平混合卷积神经网络的高光谱图像分类方法，以解决在训练样本较少时学习到的特征有限，分类效果差的问题。
一种基于扁平混合卷积神经网络的高光谱图像分类方法，所述方法包括：
获取高光谱图像的原始数据；
对所述原始数据进行处理，划分出训练样本；
构建扁平混合卷积的初级神经网络模型；
将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值；
根据损失函数计算所述输出值与预设值的误差；
判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型；
将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。
可选的，对所述原始数据进行处理，划分出训练样本包括：
采用主成分分析方法对获取的所述原始数据进行降维，在低维的高光谱图像中裁剪出所有样本；
将大小为M×N×K的低维高光谱图像截取为大小P×P×K的长方块作为样本，将每个长方块中间像素的类别作为样本标签，按照每类样本的比例，各取5％作为训练样本。
可选的，所述原始数据为有类别标签的原始数据。
可选的，根据
计算所述输出值与预设值的误差，其中y表示期望的输出向量，a为实际的输出向量，n为样本数，m为类别数。
可选的，将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别包括：通过softmax回归将样本划分为各类别的概率，最终判定各像素的类别为概率最大值对应的类别。
可选的，初级神经网络模型包括：三维卷积层Conv1、最大池化层Pool1、三维卷积层Conv2、平均池化层Pool2、三维卷积层Conv3、二维卷积层Conv4以及全局平均池化层Pool3。
本申请提供的技术方案包括以下有益技术效果：
本申请提供了一种基于扁平混合卷积神经网络的高光谱图像分类方法，所述方法包括：获取高光谱图像的原始数据；对所述原始数据进行处理，划分出训练样本；构建扁平混合卷积的初级神经网络模型；将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值；根据损失函数计算所述输出值与预设值的误差；判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型；将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。本申请提供的方法利用多种维度的卷积，在初级神经网络模型的前几层引入三维卷积，对空间-光谱特征进行提取和表示，在初级神经网络模型的后几层接上二维卷积层，对已经学习到的特征进一步整合，这样既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点，又能比单一的二维卷积学习到更有效的特征；结合了多种类型的池化进行采样，在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征，大大减少了模型的参数，缓和过拟合现象，使之在较少的训练样本下也能保持特征学习能力，获得良好的分类效果；且采用由浅到深、逐层递进的单条线路，没有使用分支结构，结构简单、扁平、清晰明了、容易复现。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于扁平混合卷积神经网络的高光谱图像分类方法流程图。
具体实施方式
本申请提供了一种基于扁平混合卷积神经网络的高光谱图像分类方法，所述方法包括：
S1：获取高光谱图像的原始数据。
原始数据需要在网上下载，有了原始数据后通过代码对数据进行处理。
S2：对所述原始数据进行处理，划分出训练样本。
数据处理的目的是为了方便后续的使用，只留下所需的波段，滤除掉掺杂有干扰的波段，本申请中对原始数据的处理包括：首先采用主成分分析方法对获取的原始高光谱图像进行降维，在低维的高光谱图像中裁剪出所有样本，高光谱数据维数较高，若直接进行三维卷积，运算所需内存、运算量都会很大，不易训练且结果不好。示例性的，采用主成分分析法对M×N×C大小的三维原始高光谱图像数据，从光谱维度将数据向低维空间映射，转换到由K个特征向量构建的新空间中，得到大小为M×N×K的低维高光谱图像，包含每个像素及其一定范围的邻域信息。对原始数据进行降维处理的目的是因为低维的数据可以最大限度的保留原始数据的信息，在一定程度上可以代表原始数据，且经过降维处理的原始数据方便后续模型的处理。
在上一步骤中，对原始数据降维后得到了M×N×K的低维高光谱图像数据，选择每个像素及其一定邻域范围，将M×N×K的低维高光谱图像数据截取成大小为P×P×K的小长方块作为样本，图像边缘没有的邻域部分用零补齐，将每个长方块中间像素的类别作为样本标签。这样可以得到n＝M×N个包含着自身与邻域信息的样本。在划分训练集时，将所有有类别标签的样本，按照每类样本的比例，各取5％作为训练样本。
S3：构建扁平混合卷积的初级神经网络模型。
构建的卷积神经网络模型共包括7层(不计输入层和输出层)：
第一层：三维卷积层Conv1，用于输入训练样本集，与64个大小为3×3×3的卷积核进行卷积运算，通过设置padding参数使输出的特征大小与输入的尺寸一致，经过线性整流函数激活，得到64个大小为P×P×K的特征块。
第二层：最大池化层Pool1，用于输入上一层的输出，对于特征块中每个2×2×2大小的区域，仅保留其中的最大值，对64个特征长方块进行降维。
第三层：三维卷积层Conv2，用于输入上一层的输出，与64个大小为3×3×3的卷积核进行卷积运算，通过设置padding参数使输出的特征大小与输入的尺寸一致，经过线性整流函数激活，得到64个特征块。
第四层：平均池化层Pool2，用于输入上一层的输出，对于特征块中每个2×2×2大小的区域，保留当前区域所有值的平均值，对64个特征长方块进行降维。
第五层：三维卷积层Conv3，用于输入上一层的输出，与64个大小为3×3×3的卷积核进行卷积运算，通过设置padding参数使输出的特征大小与输入的尺寸一致，经过线性整流函数激活，得到64个特征块。然后改变通道数，将所有特征块在第三维上拼接起来，reshape成1个特征长方体输入到下一层。
第六层：二维卷积层Conv4，用于输入上一层的输出，与64个大小为3×3的卷积核进行卷积运算，通过设置padding参数使输出的二维特征图的尺寸与输入的一致，经过线性整流函数激活，分别得到64个通道的特征图，组成一个深度为64的特征长方体。
第七层：全局平均池化层Pool3，用于输入上一层的输出，对于特征块的每个通道区域，保留其所有值的平均值，得到一个长度为64的向量，全连接到最终的输出层，即softmax分类器，给出每类的预测概率。
S4：将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值。
S3的步骤中构建了卷积神经网络模型，需要得到对高光谱图像的原始数据效果好的分类结果，就需要获取达到迭代次数预设值的卷积神经网络模型，在本申请中通过将选取的训练样本输入到最初构建的卷积神经网络模型中，通过训练样本不断的在卷积神经网络模型中进行训练，从而不断的调整卷积核的参数来使初级的卷积神经网络模型达到满足要求的卷积神经网络模型。
S5：根据损失函数计算所述输出值与预设值的误差。
S4中将训练样本输入到初级神经网络模型中进行学习的时候，我们会不断的获取训练样本结构训练后的输出值，得到输出值的目的是为了与预设值进行误差的计算，然后根据误差值来调整卷积核的参数，来使训练样本的输出值与预设值的差距越来越小，最终获得满足条件的卷积神经网络模型，得到了所需的卷积神经网络模型。我们再将S2中处理过的所有的高光谱图像数据输入到获得的卷积神经网络模型中进行统一的学习，处理过的所有的高光谱图像数据经过训练好的神经网络的过程，其实就是各神经元参数加权前向传递的过程，最终得到输出向量。根据向量中最大概率对应的结果就可以得到判定类别。
可选的，损失函数采用多分类问题常用的交叉熵损失函数，表达式为其中y表示期望的输出向量，a为实际的输出向量，n为样本数，m为类别数。
S6：判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型。
训练集输入到模型后，经过前向传播得到各类别概率。计算损失函数来衡量输出值与真实标签间的误差，然后通过Adam算法反向传播误差，更新卷积核的参数继续训练。当损失函数不再降低或训练迭代的次数达到设定值时，得到当前参数最优的终级神经网络模型。
S7：将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。将S2中处理过的所有的高光谱图像数据输入到获得的卷积神经网络模型中进行统一的学习，处理过的所有的高光谱图像数据经过训练好的神经网络的过程，其实就是各神经元参数加权前向传递的过程，最终得到输出向量。通过softmax回归将样本划分为各类别的概率，根据向量中最大概率对应的结果就可以得到判定类别，输出向量的长度与类别数相同。每个值对应着模型预测的每一类的概率。示例性的，要把输入样本划分到9类中的某一类，最后的向量为(0，0.95，0.001，0.033，0.016，0，0，0，0)，向量里面就会有9个数，每个数对应将样本分到各类的概率值(所有值和为1)，这里第2个值最大，所以最后分类结果会为第2类。
本申请提供了一种基于扁平混合卷积神经网络的高光谱图像分类方法，所述方法包括：获取高光谱图像的原始数据；对所述原始数据进行处理，划分出训练样本；构建扁平混合卷积的初级神经网络模型；将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值；根据损失函数计算所述输出值与预设值的误差；判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型；将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。本申请提供的方法利用多种维度的卷积，在初级神经网络模型的前几层引入三维卷积，对空间-光谱特征进行提取和表示，在初级神经网络模型的后几层接上二维卷积层，对已经学习到的特征进一步整合，这样既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点，又能比单一的二维卷积学习到更有效的特征；结合了多种类型的池化进行采样，在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征，大大减少了模型的参数，缓和过拟合现象，使之在较少的训练样本下也能保持特征学习能力，获得良好的分类效果；且采用由浅到深、逐层递进的单条线路，没有使用分支结构，结构简单、扁平、清晰明了、容易复现。
需要说明的是，诸如“术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，所述方法包括：
获取高光谱图像的原始数据；
对所述原始数据进行处理，划分出训练样本；
构建扁平混合卷积的初级神经网络模型；
将所述训练样本输入所述初级神经网络模型中进行学习，得到输出值；
根据损失函数计算所述输出值与预设值的误差；
判断所述误差是否降低或者训练迭代次数是否达到预设值，若所述误差不再降低或者训练迭代次数达到预设值，则输出终级神经网络模型；若所述误差降低或者训练迭代次数未达到预设值，则通过Adam算法反向传播误差，更新所述初级神经网络模型的参数继续训练直到输出所述终级神经网络模型；
将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别。
2.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，对所述原始数据进行处理，划分出训练样本包括：
采用主成分分析法对M×N×C大小的三维原始高光谱图像数据从光谱维度将数据向低维空间映射，转换到由K个特征向量构建的新空间中，得到大小为M×N×K的低维高光谱图像；
将大小为M×N×K的低维高光谱图像截取为大小P×P×K的长方块作为样本，将每个长方块中间像素的类别作为样本标签，按照每类样本的比例，各取5％作为训练样本。
3.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，所述原始数据为有类别标签的原始数据。
4.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，根据
计算所述输出值与预设值的误差，其中y表示期望的输出向量，a为实际的输出向量，n为样本数，m为类别数。
5.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，将处理后的所述原始数据全部输入到所述终级神经网络模型中获得所述高光谱图像各像素的类别包括：通过softmax回归，将样本划分为各类别的概率，最终判定各像素的类别为概率最大值对应的类别。
6.根据权利要求1所述的一种基于扁平混合卷积神经网络的高光谱图像分类方法，其特征在于，初级神经网络模型包括：三维卷积层Conv1、最大池化层Pool1、三维卷积层Conv2、平均池化层Pool2、三维卷积层Conv3、二维卷积层Conv4以及全局平均池化层Pool3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901178.6A CN110689065A (zh) | 2019-09-23 | 2019-09-23 | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910901178.6A CN110689065A (zh) | 2019-09-23 | 2019-09-23 | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689065A true CN110689065A (zh) | 2020-01-14 |
Family
ID=69110048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910901178.6A Pending CN110689065A (zh) | 2019-09-23 | 2019-09-23 | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689065A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242228A (zh) * | 2020-01-16 | 2020-06-05 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
| CN112508066A (zh) * | 2020-11-25 | 2021-03-16 | 四川大学 | 一种基于残差全卷积分割网络的高光谱图像分类方法 |
| CN113128395A (zh) * | 2021-04-16 | 2021-07-16 | 重庆邮电大学 | 基于混合卷积的多级特征融合模型的视频动作识别方法及系统 |
| CN113837314A (zh) * | 2021-10-09 | 2021-12-24 | 陕西科技大学 | 一种基于混合卷积神经网络的高光谱图像分类方法 |
| CN114463560A (zh) * | 2022-02-09 | 2022-05-10 | 西安超越申泰信息科技有限公司 | 一种卷积神经网络结构的构建方法、计算机及介质 |
-
2019
- 2019-09-23 CN CN201910901178.6A patent/CN110689065A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| SWALPA KUMAR ROY: "HybridSN: Exploring 3-D–2-D CNN Feature Hierarchy for Hyperspectral Image Classification" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242228A (zh) * | 2020-01-16 | 2020-06-05 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
| CN111242228B (zh) * | 2020-01-16 | 2024-02-27 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
| CN112508066A (zh) * | 2020-11-25 | 2021-03-16 | 四川大学 | 一种基于残差全卷积分割网络的高光谱图像分类方法 |
| CN113128395A (zh) * | 2021-04-16 | 2021-07-16 | 重庆邮电大学 | 基于混合卷积的多级特征融合模型的视频动作识别方法及系统 |
| CN113128395B (zh) * | 2021-04-16 | 2022-05-20 | 重庆邮电大学 | 基于混合卷积的多级特征融合模型的视频动作识别方法及系统 |
| CN113837314A (zh) * | 2021-10-09 | 2021-12-24 | 陕西科技大学 | 一种基于混合卷积神经网络的高光谱图像分类方法 |
| CN114463560A (zh) * | 2022-02-09 | 2022-05-10 | 西安超越申泰信息科技有限公司 | 一种卷积神经网络结构的构建方法、计算机及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111414942B (zh) | 一种基于主动学习和卷积神经网络的遥感图像分类方法 | |
| 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 | |
| CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
| US11151403B2 (en) | Method and apparatus for segmenting sky area, and convolutional neural network | |
| CN107451616A (zh) | 基于深度半监督迁移学习的多光谱遥感图像地物分类方法 | |
| CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN109344891A (zh) | 一种基于深度神经网络的高光谱遥感数据分类方法 | |
| CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
| CN110852369B (zh) | 联合3d/2d卷积网络和自适应光谱解混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 | |
| CN110443296B (zh) | 面向高光谱图像分类的数据自适应激活函数学习方法 | |
| CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN112766099B (zh) | 一种从局部到全局上下文信息提取的高光谱影像分类方法 | |
| CN113642445A (zh) | 一种基于全卷积神经网络的高光谱影像分类方法 | |
| CN116050501A (zh) | 用于压缩卷积神经网络的系统和方法 | |
| 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 | |
| CN112215267A (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
| CN110378272A (zh) | 基于矩阵分块Isomap算法的高光谱遥感影像特征提取方法 | |
| CN116563683A (zh) | 一种基于卷积神经网络和多层感知机的遥感影像场景分类方法 | |
| CN112508066A (zh) | 一种基于残差全卷积分割网络的高光谱图像分类方法 | |
| CN114359603A (zh) | 一种多模态遥感图像领域自适应无监督匹配方法 | |
| CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 | |
| CN118196629A (zh) | 一种遥感影像植被提取方法和装置 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 |
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: 20200114 |