CN110728224A - 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 - Google Patents
一种基于注意力机制深度Contourlet网络的遥感图像分类方法 Download PDFInfo
- Publication number
- CN110728224A CN110728224A CN201910951214.XA CN201910951214A CN110728224A CN 110728224 A CN110728224 A CN 110728224A CN 201910951214 A CN201910951214 A CN 201910951214A CN 110728224 A CN110728224 A CN 110728224A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- remote sensing
- output
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Abstract
本发明公开了一种基于注意力机制深度Contourlet网络的遥感图像分类方法,建立遥感图像库,获取训练样本集和测试样本集;然后设置Contourlet分解模块,再搭建卷积神经网络模型,模型中卷积层两两一组,构成卷积模块,采用注意力机制,通过通道注意力模块对合并的特征图进行数据增强;进行迭代训练;对所要进行分类的遥感图片进行全局对比度归一化处理,得到其整张遥感图象的平均强度,然后再进行归一化得到归一化处理之后的待分类遥感图像;将归一化处理的未知遥感图像输入到训练好的卷积神经网络模型中,对未知的遥感图片进行分类,得到网络输出分类结果。本发明结合Contourlet分解和深度卷积网络方法,引入通道注意力机制,可以同时发挥深度学习和Contourlet变换的优势。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于注意力机制深度Contourlet网络的遥感图像分类方法。
背景技术
遥感图像场景分类是遥感图像理解的基本任务,可以应用于军事和民用领域。随着遥感技术的发展,其所捕获的遥感图像质量也随之提升,图像中所包含的地物特征更加细致,光谱特征更为复杂,这导致了早期的许多遥感图像识别方法在当前高质量图片的分类任务上准确率不如预期。
近年来,深度学习理论在图像处理领域发展迅速,并且其性能已经优于传统的图像分类算法,许多研究人员已经开始将深度学习理论应用于遥感图像分类任务中。卷积神经网络的主要目标是学习图像不同级别的特征,所谓级别是指特征从底层的像素级输入到高层的复杂函数映射。然而当前应用于遥感图像分类的深度学习模型有诸多局限性,忽略了图像的频谱信息,而是直接让模型从输入像素级图像中拟合参数,散乱的搜索空间同时带来了大量的未知参数和训练速度的局限。频谱信息的引入不仅可以对卷积神经网络参数的学习起到一定的制约作用,使得参数的学习更为规范,同时也能一定程度提高训练速度。而且利用谱方法可以提取图像的多尺度信息,使得神经网络可以在不同尺度空间中提取有用信息,增强其特征提取能力。因此,如何让深度卷积神经网络能够充分发挥其优越性,同时又能利用图像的频谱信息成为提高模型性能的关键。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于注意力机制深度Contourlet网络的遥感图像分类方法,通过结合Contourlet变换并引入通道注意力机制,可以一定程度上约束卷积神经网络的参数学习,加快收敛速度,同时利用图像的空间信息和频谱信息,引入多尺度分析,以增加分类的准确性。
本发明采用以下技术方案:
一种基于注意力机制深度Contourlet网络的遥感图像分类方法,包括以下步骤:
S1、建立遥感图像库,对数据进行预处理,获取训练样本集{Train1,…Traind…,TrainM}和测试样本集{Test1,…Teste…,Testm};
S2、设置Contourlet分解模块,包括设置分解层数p以及每一层的方向子带个数Kp;
S3、搭建一个有8个卷积层,1个全局平均池化层和3个全连接层的卷积神经网络模型,模型中卷积层两两一组,构成卷积模块,采用注意力机制,通过通道注意力模块对合并的特征图进行数据增强;
S4、对卷积神经网络进行迭代训练;
S5、对所要进行分类的遥感图片Iunkown进行全局对比度归一化处理,得到其整张遥感图象的平均强度然后再进行归一化得到归一化处理之后的待分类遥感图像I'unkown;将归一化处理的未知遥感图像I'unkown输入到训练好的卷积神经网络模型中,对未知的遥感图片进行分类,得到网络输出分类结果。
具体的,步骤S1具体为:
S101、获取UC Merced图像,构建遥感场景图像数据集Image={Image1,…Imagei…,ImageN},并制作相应的样本标签Label={Label1,…Labeli…,LabelN},每个标签Labeli表示数据集中所对应的样本Imagei的类别,Imagei表示数据集中的第i个样本,i∈[0,N],N代表图像的总数目;
S102、对数据集中的每一个样本做全局对比度归一化处理;
S103、将归一化处理之后的数据集分为训练集部分Train和测试集部分Test,针对每一类遥感影像,选取80%作为训练集,剩余的20%作为测试集。
其中,I表示数据集中的某一个样本,w,h,c分别表示其长,宽,以及通道数,对于RGB图像,c=3;
样本I在(i,j,k)处像素值Ii,j,k如下:
其中,I'表示进行全局对比度归一化处理之后的样本,s,ε,λ为超参数,s设置为I,得到归一化处理之后的图像数据集{Image'1,…Image'i…,Image'N}。
具体的,步骤S2具体为:
S201、分解每一级第一个阶段为非下采样金字塔式如下:
S203、通过对输入图像I进行p级非下采样contourlet变换,得到相应的变换系数{I(1),…I(q)…,I(p)},其中,I(q)表示第q层分解系数,通道数为c×(Kq+1);c为原图像的通道数,如果为RGB图像,则c=3,Kp表示第q层分解方向数。
进一步的,步骤S204中,方向滤波器组的计算如下:
具体的,步骤S3中,将RGB图像进行p层Contourlet分解,每一层分为K个方向作为Contourlet分解层;
池化层输入为最后一个卷积模块的输出特征图,输出为一维向量;
卷积模块使用3×3的卷积核,每一个卷积模块包含两个卷积层,第一个卷积层步长为1,第二个卷积层步长位2,每个卷极快的输出图像尺寸减小1/2;
第一个卷积块conv1:输入为第一级Contourlet系数,layer1.1使用3×3的卷积核,步长为1,layer1.2使用3×3的卷积核,步长为2,输出特征图尺寸为112×112×64;
第二个卷积块conv2:输入为第二级Contourlet系数下采样之后与第一个卷积块输出的合并。合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer2.1的输入;
Layer2.1使用3×3的卷积核,步长为1,layer2.2使用3×3的卷积核,步长为2,输出特征图尺寸为56×56×128;
第三个卷积块conv3:输入为第三级Contourlet系数下采样之后与第二个卷积块输出的合并。合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer3.1的输入;
layer3.1使用3×3的卷积核,步长为1,layer3.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为28×28×256;
第四个卷积块conv4:输入为第四级Contourlet系数下采样之后与第三个卷积块输出的合并。合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer4.1的输入;
layer4.1使用3×3的卷积核,步长为1,layer4.2使用3×3的卷积核,步长为2,输出特征图尺寸为14×14×512。
具体的,步骤S3中,模块输入的卷积特征大小为W×H×C,使用全局平均池化操作,输出1×1×C的卷积特征,C对应不同的通道;
对于第一全连接层,其卷积核大小设置为其输出尺寸为1×1×C/r,其中,r为超参数;其激活函数采用Relu激活函数;
Relu激活函数和Sigmoid激活函数分别为:
其中,x为Relu激活函数的输入函数,x'为Sigmoid激活函数的输入函数。
进一步的,全连接层:第一个全连接层操作之后,需要进行Dropout操作,以防止模型产生过拟合,其输出为一维向量,第二个全连接层输出为一维向量,长度为Z,Z为样本集合的类别数,并使用softmax回归函数做预测,便可以得到相应类别概率;
第一个全连接层:其卷积核大小为512×2048,并进行Dropout操作,以防止模型产生过拟合,其输出为一维向量,长度为2048;
第二个全连接层:其卷积核大小为2048×Z,其输出为一维向量,长度为Z,其中Z为样本集合的类别数,并使用softmax回归函数做预测如下:
其中,Out表示第二个全连接层的输出,作为softmax函数的输入,j表示当前类别,j∈[0,Z],pj表示输入图像被判别为第j类的概率。
具体的,步骤S4具体为:
S401、设置最大迭代次数Iter,学习率η,训练批次大小B,将训练数据集{Train1,…Traind…,TrainM}每次输入B张图片,输入次数Q如下:
其中,M为训练数据集中的样本总数;
设置损失函数选择交叉熵损失函数如下:
其中,yd为训练图像库中Traind的实际类别,od为训练图像库中Traind使用当前神经网络模型所预测的类别概率;
S402、通过梯度下降法对网络进行迭代优化;
S403、当迭代次数未达到所设置的最小迭代次数Iter时,若损失函数loss不再下降,则停止训练;当迭代次数达到所设置的最小迭代次数Iter时,则停止训练,得到训练好的卷积神经网络模型;否则,继续进行迭代优化。
进一步的,步骤S402中,更新后的权重参数Wt+1为:
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于注意力机制深度Contourlet网络的遥感图像分类方法,结合非下采样Contourlet变换和深度学习,由于Contourlet变换能表征图像的高维奇异性,能更好的表征图像的方向性具有更好的逼近性,而且具有平移,旋转不变性,能够利用频谱特性提取图像的轮廓信息;深度学习可以实现从复杂图像中学习Contourlet变换无法描述的其他复杂信息,本发明可以同时发挥深度学习和Contourlet变换的优势。
进一步的,将图像以80%和20%的比例分为训练数据集和验证数据集,以保证算法的实际有效性。通过对数据做全局对比度归一化处理(GCN),能够减小图像具有变化的对比度产生的影响,从而加快网络的收敛速度。
进一步的,Contourlet变换可以对图像进行多尺度分解,且具有各向异性,通过不同级别的低通滤波器以及方向滤波器,首先对图像进行多尺度分解,对于不同尺度基础上再进行多方向分解,从而提取出图像在不同尺度,不同方向上的特征,丰富的多尺度特征可以弥补卷积特征的不足,进而增强分类准确性。
进一步的,将Contourlet分解系数与卷积层特征融合的深度模型,通过分层融合方式,使得整个模型可以利用图像的多尺度信息,有助于提升遥感图像分类的准确性。
进一步的,使用了通道注意力机制,结合Contourlet变换将不同方向信息分解于不同通道,能够更快速,更准确的找到遥感图像特征最明显的通道,并对该通道特征进行增强,能够有效提升遥感图像分类的准确性。
进一步的,交叉熵损失函数和梯度下降优化方法能够有效的对神经网络模型参数进行优化,使其能够在庞大的搜索空间中尽快收敛,同时可以人工设置相应的超参数,调整网络的训练速度。
综上所述,本发明通过结合Contourlet分解和深度卷积网络方法,并引入通道注意力机制,构建了基于注意力机制深度Contourlet网络模型,该网络模型利用Contourlet变换的优势提取图像的多尺度特征,同时可以发挥深度学习的优势,通过将多尺度特征和卷积网络特征进行融合,并通过通道注意力机制进行特征增强,形成更丰富,更鲁邦的图像特征,从而提升网络模型的分类能力。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图;
图2为本发明深度Contourlet模型网络结构图。
具体实施方式
本发明提供了一种基于注意力机制深度Contourlet网络的遥感图像分类方法,利用Contourlet变换获取图像的多尺度信息,然后将不同尺度的信息分别与不同层的卷积特征融合,根据注意力机制增强特征表达,最后通过全连接层实现图像分类。
请参阅图1,本发明一种基于注意力机制深度Contourlet网络的遥感图像分类方法,包括以下步骤:
S1、建立遥感图像库,对数据进行预处理,获取训练样本和测试样本;
S101、获取UC Merced图像,构建遥感场景图像数据集Image={Image1,…Imagei…,ImageN},并制作相应的样本标签Label={Label1,…Labeli…,LabelN},每个标签Labeli表示数据集中所对应的样本Imagei的类别,Imagei表示数据集中的第i个样本,i∈[0,N],N代表图像的总数目;
S102、对数据集中的每一个样本以如下公式做全局对比度归一化处理:
其中,I表示数据集中的某一个样本,w,h,c分别表示其长,宽,以及通道数,对于RGB图像,c=3,Ii,j,k表示样本I在(i,j,k)处像素值的大小,表示整张图像的平均强度,
其中,I'表示进行全局对比度归一化处理之后的样本,其中,s,ε,λ为超参数,用来平衡和约束归一化,s通常可以设置为I,得到归一化处理之后的图像数据集{Image'1,…Image'i…,Image'N};
S103、将归一化处理之后的数据集分为训练集部分Train和测试集部分Test,针对每一类遥感影像,从其中选取80%作为训练集,剩余的20%作为测试集,则可以得到训练样本集{Train1,…Traind…,TrainM}和测试样本集{Test1,…Teste…,Testm};
其中,Traind表示训练样本中的第d个样本,d∈[0,M],M为训练样本的总个数,M<N;Teste表示测试样本中的第e个样本,e∈[0,m],m<N。
S2、设置Contourlet分解模块;
请参阅图2,设置分解层数p以及每一层的方向子带个数Kp;
S201、每一级第一个阶段为非下采样金字塔式分解:
S202、每一级第二阶段为将第一阶段分解出的高频成分做不同方向的分解,方向滤波器组的计算方式为:
其中,DFk(k=1,2,…,K)为方向滤波器组,通常K取2的指数级,且每一级的分解方向数可以不同,对输入进行p级非下采样轮廓波分解后的变换系数为:
S203、通过对输入图像I进行p级非下采样contourlet变换,可以得到相应的变换系数{I(1),…I(q)…,I(p)},其中,I(q)表示第q层分解系数,其通道数为c×(Kq+1);c为原图像的通道数,如果为RGB图像,则c=3,Kp表示第q层分解方向数。
S3、搭建完整的神经网络模型;
S301、搭建一个有8个卷积层,1个全局平均池化层和3个全连接层的卷积神经网络,其中卷积层两两一组,构成卷积块;
输入层:输入原始RGB图片,将其裁剪至224×224;
Contourlet分解层:将RGB图像进行p层Contourlet分解,每一层分为K个方向。
则每一级Contourlet变换系数为224×224×3(K+1),本实验中K=4;
S302、卷积模块,卷积模块均使用3×3的卷积核,每一个卷积模块包含两个卷积层,第一个卷积层步长为1,第二个卷积层步长位2,每个卷极快的输出图像尺寸减小1/2;
第一个卷积块conv1:输入为第一级Contourlet系数,layer1.1使用3×3的卷积核,步长为1,layer1.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为112×112×64;
第二个卷积块conv2:输入为第二级Contourlet系数下采样之后与第一个卷积块输出的合并。合并方法使用的是通道级合并。将合并后的特征图通过通道注意力模块进行数据增强,作为layer2.1的输入。Layer2.1使用3×3的卷积核,步长为1,layer2.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为56×56×128;
第三个卷积块conv3:输入为第三级Contourlet系数下采样之后与第二个卷积块输出的合并。合并方法使用的是通道级合并。将合并后的特征图通过通道注意力模块进行数据增强,作为layer3.1的输入。layer3.1使用3×3的卷积核,步长为1,layer3.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为28×28×256;
第四个卷积块conv4:输入为第四级Contourlet系数下采样之后与第三个卷积块输出的合并。合并方法使用的是通道级合并。将合并后的特征图通过通道注意力模块进行数据增强,作为layer4.1的输入。layer4.1使用3×3的卷积核,步长为1,layer4.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为14×14×512;
S303、通道注意力模块由一个全局平均池化层、第一个连接层、Relu函数层、第二个连接层和Sigmoid函数激活,结构如图2所示。具体描述如下:
模块输入的卷积特征大小为W×H×C,使用全局平均池化操作,输出1×1×C的卷积特征,C即对应不同的通道,由于Contourlet的多尺度分解方式,不同通道中含有不同方向频率分量;
Relu激活函数和Sigmoid激活函数分别为:
其中,x为Relu激活函数的输入函数,x'为Sigmoid激活函数的输入函数;
S303、池化层:池化层使用全局平均池化。使用全局平均池化对数据降维,以减少过拟合现象,输入为最后一个卷积模块的输出特征图,输出为一维向量;
使用全局平均池化对数据降维,以减少过拟合现象,输入为conv4的输出特征图,尺寸为14×14×512,输出为一维向量,长度为512。
S304、全连接层:第一个全连接层操作之后,需要进行Dropout操作,以防止模型产生过拟合,其输出为一维向量。第二个全连接层输出为一维向量,长度为Z,其中Z为样本集合的类别数。并使用softmax回归函数做预测,便可以得到相应类别概率。
第一个全连接层:其卷积核大小为512×2048,并进行Dropout操作,以防止模型产生过拟合,其输出为一维向量,长度为2048。
第二个全连接层:其卷积核大小为2048×Z,其输出为一维向量,长度为Z,其中Z为样本集合的类别数。并使用softmax回归函数做预测,公式如下:
其中,Out表示第二个全连接层的输出,作为softmax函数的输入,j表示当前类别,j∈[0,Z],pj表示输入图像被判别为第j类的概率。
S4、对卷积神经网络进行迭代训练;
S401、设置相关参数:最大迭代次数Iter,学习率η,训练批次大小B,则将训练数据集{Train1,…Traind…,TrainM}每次输入B张图片,输入次数Q为:
其中,M为训练数据集中的样本总数。
损失函数设置:损失函数选择交叉熵损失函数:
表示输出分类结果与实际结果的交叉熵,yd为训练图像库中Traind的实际类别,od为训练图像库中Traind使用当前神经网络模型所预测的类别概率。
S402、通过梯度下降法对网络进行迭代优化,每次迭代过程中通过如下公式对网络权重W进行更新:
其中,Wt表示当前权重参数,losst表示当前权重参数所带来的损失;Wt+1表示更新后的权重参数,使用Wt+1作为网络参数进行预测,根据4a)中的损失函数公式便可得到下一次迭代的梯度值如此反复进行迭代过程,以更新权重参数W的值,并观察损失函数loss的变化。
S403、当迭代次数未达到所设置的最小迭代次数Iter时,若损失函数loss不再下降,则停止训练;当迭代次数达到所设置的最小迭代次数Iter时,则停止训练,得到训练好的卷积神经网络模型;否则,继续进行迭代优化。
S5、对未知的遥感图片进行分类。
S502、将已归一化处理的未知遥感图像I'unkown输入到训练好的卷积神经网络模型中,得到网络输出的分类结果。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的效果可以通过仿真进一步说明:
仿真条件:
本实例在HP-Z840-Workstation with Xeon(R)CPU E5-2630,GeForce 1080,64GRAM,Ubuntu系统下,Caffe运行平台上,完成本发明以及现有遥感图像场景分类仿真。
参数设置:
学习率固定为0.001,η=0.001,每次输入图片数B为32次,衰减率β为0.9,Contourlet分解层数设置为4,每一层分解方向数为2。
实验结果:
本发明选用遥感图像场景分类算法与所提出的方法进行比较,选用的对比方法是:
“遥感图像飞机目标分类的卷积神经网络方法.中国图像图形学报,2017,22(05):702-708.”中由周等人提出的深度学习卷积神经网络实现的遥感图像目标分类方法。
表1:测试分类准确率比较
对比方法 | 本发明方法 | |
平均分类准确率 | 0.8635 | 0.9125 |
表1是所提出方法与对比方法在UCMerced_LandUse上的性能比较,结果表明,本方法效果更好。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于注意力机制深度Contourlet网络的遥感图像分类方法,其特征在于,包括以下步骤:
S1、建立遥感图像库,对数据进行预处理,获取训练样本集{Train1,…Traind…,TrainM}和测试样本集{Test1,…Teste…,Testm};
S2、设置Contourlet分解模块,包括设置分解层数p以及每一层的方向子带个数Kp;
S3、搭建一个有8个卷积层,1个全局平均池化层和3个全连接层的卷积神经网络模型,模型中卷积层两两一组,构成卷积模块,采用注意力机制,通过通道注意力模块对合并的特征图进行数据增强;
S4、对卷积神经网络进行迭代训练;
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
S101、获取UC Merced图像,构建遥感场景图像数据集Image={Image1,…Imagei…,ImageN},并制作相应的样本标签Label={Label1,…Labeli…,LabelN},每个标签Labeli表示数据集中所对应的样本Imagei的类别,Imagei表示数据集中的第i个样本,i∈[0,N],N代表图像的总数目;
S102、对数据集中的每一个样本做全局对比度归一化处理;
S103、将归一化处理之后的数据集分为训练集部分Train和测试集部分Test,针对每一类遥感影像,选取80%作为训练集,剩余的20%作为测试集。
6.根据权利要求1所述的方法,其特征在于,步骤S3中,将RGB图像进行p层Contourlet分解,每一层分为K个方向作为Contourlet分解层;
池化层输入为最后一个卷积模块的输出特征图,输出为一维向量;
卷积模块使用3×3的卷积核,每一个卷积模块包含两个卷积层,第一个卷积层步长为1,第二个卷积层步长位2,每个卷极快的输出图像尺寸减小1/2;
第一个卷积块conv1:输入为第一级Contourlet系数,layer1.1使用3×3的卷积核,步长为1,layer1.2使用3×3的卷积核,步长为2,输出特征图尺寸为112×112×64;
第二个卷积块conv2:输入为第二级Contourlet系数下采样之后与第一个卷积块输出的合并;合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer2.1的输入;
Layer2.1使用3×3的卷积核,步长为1,layer2.2使用3×3的卷积核,步长为2,输出特征图尺寸为56×56×128;
第三个卷积块conv3:输入为第三级Contourlet系数下采样之后与第二个卷积块输出的合并;合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer3.1的输入;
layer3.1使用3×3的卷积核,步长为1,layer3.2使用3×3的卷积核,步长为2,使得输出特征图尺寸为28×28×256;
第四个卷积块conv4:输入为第四级Contourlet系数下采样之后与第三个卷积块输出的合并;合并方法使用的是通道级合并;
将合并后的特征图通过通道注意力模块进行数据增强,作为layer4.1的输入;
layer4.1使用3×3的卷积核,步长为1,layer4.2使用3×3的卷积核,步长为2,输出特征图尺寸为14×14×512。
8.根据权利要求7所述的方法,其特征在于,全连接层:第一个全连接层操作之后,需要进行Dropout操作,以防止模型产生过拟合,其输出为一维向量,第二个全连接层输出为一维向量,长度为Z,Z为样本集合的类别数,并使用softmax回归函数做预测,便可以得到相应类别概率;
第一个全连接层:其卷积核大小为512×2048,并进行Dropout操作,以防止模型产生过拟合,其输出为一维向量,长度为2048;
第二个全连接层:其卷积核大小为2048×Z,其输出为一维向量,长度为Z,其中Z为样本集合的类别数,并使用softmax回归函数做预测如下:
其中,Out表示第二个全连接层的输出,作为softmax函数的输入,j表示当前类别,j∈[0,Z],pj表示输入图像被判别为第j类的概率。
9.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
S401、设置最大迭代次数Iter,学习率η,训练批次大小B,将训练数据集{Train1,…Traind…,TrainM}每次输入B张图片,输入次数Q如下:
其中,M为训练数据集中的样本总数;
设置损失函数选择交叉熵损失函数如下:
其中,yd为训练图像库中Traind的实际类别,od为训练图像库中Traind使用当前神经网络模型所预测的类别概率;
S402、通过梯度下降法对网络进行迭代优化;
S403、当迭代次数未达到所设置的最小迭代次数Iter时,若损失函数loss不再下降,则停止训练;当迭代次数达到所设置的最小迭代次数Iter时,则停止训练,得到训练好的卷积神经网络模型;否则,继续进行迭代优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951214.XA CN110728224B (zh) | 2019-10-08 | 2019-10-08 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951214.XA CN110728224B (zh) | 2019-10-08 | 2019-10-08 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728224A true CN110728224A (zh) | 2020-01-24 |
CN110728224B CN110728224B (zh) | 2022-03-11 |
Family
ID=69220782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951214.XA Active CN110728224B (zh) | 2019-10-08 | 2019-10-08 | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728224B (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111291826A (zh) * | 2020-02-25 | 2020-06-16 | 西安电子科技大学 | 基于相关性融合网络的多源遥感图像的逐像素分类方法 |
CN111310718A (zh) * | 2020-03-09 | 2020-06-19 | 成都川大科鸿新技术研究所 | 一种遮挡人脸图像高准确率检测对比方法 |
CN111339862A (zh) * | 2020-02-17 | 2020-06-26 | 中国地质大学(武汉) | 一种基于通道注意力机制的遥感场景分类方法及装置 |
CN111339935A (zh) * | 2020-02-25 | 2020-06-26 | 西安电子科技大学 | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 |
CN111382795A (zh) * | 2020-03-09 | 2020-07-07 | 交叉信息核心技术研究院(西安)有限公司 | 基于频域小波基处理的神经网络的图像分类处理方法 |
CN111401455A (zh) * | 2020-03-20 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统 |
CN111563528A (zh) * | 2020-03-31 | 2020-08-21 | 西北工业大学 | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 |
CN111582363A (zh) * | 2020-05-06 | 2020-08-25 | 西安电子科技大学 | 一种基于多视点深度特征融合SENet网络的分类方法 |
CN111738124A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于Gabor变换和注意力的遥感图像云检测方法 |
CN111754404A (zh) * | 2020-06-18 | 2020-10-09 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN111967537A (zh) * | 2020-04-13 | 2020-11-20 | 江西理工大学 | 一种基于双路胶囊网络的sar目标分类方法 |
CN112036454A (zh) * | 2020-08-17 | 2020-12-04 | 上海电力大学 | 一种基于多核密集连接网络的图像分类方法 |
CN112052877A (zh) * | 2020-08-06 | 2020-12-08 | 杭州电子科技大学 | 一种基于级联增强网络的图片细粒度分类方法 |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112132205A (zh) * | 2020-09-18 | 2020-12-25 | 东南大学 | 一种基于卷积神经网络的遥感图像分类方法 |
CN112232151A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法 |
CN112232448A (zh) * | 2020-12-14 | 2021-01-15 | 北京大恒普信医疗技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN112287989A (zh) * | 2020-10-20 | 2021-01-29 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112307982A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于交错增强注意力网络的人体行为识别方法 |
CN112418261A (zh) * | 2020-09-17 | 2021-02-26 | 电子科技大学 | 一种基于先验原型注意力机制的人体图像多属性分类方法 |
CN112634238A (zh) * | 2020-12-25 | 2021-04-09 | 武汉大学 | 一种基于注意力模块的图像质量评价方法 |
CN112733873A (zh) * | 2020-09-23 | 2021-04-30 | 浙江大学山东工业技术研究院 | 一种基于深度学习的染色体核型图分类方法及装置 |
CN112766283A (zh) * | 2021-01-25 | 2021-05-07 | 西安电子科技大学 | 一种基于多尺度卷积网络的两相流流型识别方法 |
CN113011506A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113191285A (zh) * | 2021-05-08 | 2021-07-30 | 山东大学 | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 |
CN113205061A (zh) * | 2020-12-28 | 2021-08-03 | 武汉纺织大学 | 基于胶囊网络的服装分类方法及分类系统 |
CN113283514A (zh) * | 2021-05-31 | 2021-08-20 | 高新兴科技集团股份有限公司 | 一种基于深度学习的未知类别分类方法、装置及介质 |
CN113361546A (zh) * | 2021-06-18 | 2021-09-07 | 合肥工业大学 | 融合非对称卷积和注意力机制的遥感图像特征提取方法 |
CN113408398A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于通道注意力及概率上采样的遥感图像云检测方法 |
CN113408549A (zh) * | 2021-07-14 | 2021-09-17 | 西安电子科技大学 | 基于模板匹配和注意力机制的少样本弱小目标检测方法 |
CN113435478A (zh) * | 2021-06-03 | 2021-09-24 | 华东师范大学 | 一种利用图卷积神经网络进行服装样板图分类的方法和系统 |
CN113469910A (zh) * | 2021-06-29 | 2021-10-01 | 展讯通信(上海)有限公司 | 图像处理方法、装置及设备 |
CN113469196A (zh) * | 2021-06-25 | 2021-10-01 | 南京航空航天大学 | 一种基于注意力深度卷积神经分类网络的图像分类方法 |
CN113627377A (zh) * | 2021-08-18 | 2021-11-09 | 福州大学 | 基于Attention-Based CNN的认知无线电频谱感知方法及系统 |
CN113643318A (zh) * | 2021-06-30 | 2021-11-12 | 深圳市优必选科技股份有限公司 | 图像分割方法、图像分割装置及终端设备 |
CN113792640A (zh) * | 2021-09-07 | 2021-12-14 | 海南大学 | 基于DenseNet的海洋遥感图像噪声识别方法 |
CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
CN114612688A (zh) * | 2022-05-16 | 2022-06-10 | 中国科学技术大学 | 对抗样本生成方法、模型训练方法、处理方法及电子设备 |
CN115205614A (zh) * | 2022-05-20 | 2022-10-18 | 钟家兴 | 一种用于智能制造的矿石x光图像识别方法 |
CN116416479A (zh) * | 2023-06-06 | 2023-07-11 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
CN113920378B (zh) * | 2021-11-09 | 2023-10-20 | 西安交通大学 | 基于注意力机制的柴胡种子识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110261648A1 (en) * | 2010-04-23 | 2011-10-27 | Chevron U.S.A. Inc. | Fusing geophysical data representing a geophysical space |
CN104392442A (zh) * | 2014-11-18 | 2015-03-04 | 西北工业大学 | 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法 |
CN106408497A (zh) * | 2016-08-31 | 2017-02-15 | 南京师范大学 | 一种面向原始遥感影像的强鲁棒水印嵌入及提取方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
CN110136162A (zh) * | 2019-05-20 | 2019-08-16 | 北方工业大学 | 无人机视角遥感目标跟踪方法及装置 |
-
2019
- 2019-10-08 CN CN201910951214.XA patent/CN110728224B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110261648A1 (en) * | 2010-04-23 | 2011-10-27 | Chevron U.S.A. Inc. | Fusing geophysical data representing a geophysical space |
CN104392442A (zh) * | 2014-11-18 | 2015-03-04 | 西北工业大学 | 基于非下采样Contourlet变换与主动轮廓的遥感图像变化检测方法 |
CN106408497A (zh) * | 2016-08-31 | 2017-02-15 | 南京师范大学 | 一种面向原始遥感影像的强鲁棒水印嵌入及提取方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
CN110136162A (zh) * | 2019-05-20 | 2019-08-16 | 北方工业大学 | 无人机视角遥感目标跟踪方法及装置 |
Cited By (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111259982B (zh) * | 2020-02-13 | 2023-05-12 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
CN111339862A (zh) * | 2020-02-17 | 2020-06-26 | 中国地质大学(武汉) | 一种基于通道注意力机制的遥感场景分类方法及装置 |
CN111291826A (zh) * | 2020-02-25 | 2020-06-16 | 西安电子科技大学 | 基于相关性融合网络的多源遥感图像的逐像素分类方法 |
CN111339935A (zh) * | 2020-02-25 | 2020-06-26 | 西安电子科技大学 | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 |
CN111339935B (zh) * | 2020-02-25 | 2023-04-18 | 西安电子科技大学 | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 |
CN111291826B (zh) * | 2020-02-25 | 2023-06-06 | 西安电子科技大学 | 基于相关性融合网络的多源遥感图像的逐像素分类方法 |
CN111310718A (zh) * | 2020-03-09 | 2020-06-19 | 成都川大科鸿新技术研究所 | 一种遮挡人脸图像高准确率检测对比方法 |
CN111382795A (zh) * | 2020-03-09 | 2020-07-07 | 交叉信息核心技术研究院(西安)有限公司 | 基于频域小波基处理的神经网络的图像分类处理方法 |
CN111382795B (zh) * | 2020-03-09 | 2023-05-05 | 交叉信息核心技术研究院(西安)有限公司 | 基于频域小波基处理的神经网络的图像分类处理方法 |
CN111401455A (zh) * | 2020-03-20 | 2020-07-10 | 中国科学院空天信息创新研究院 | 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统 |
CN111401455B (zh) * | 2020-03-20 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种基于Capsules-Unet模型的遥感图像深度学习分类方法和系统 |
CN111563528B (zh) * | 2020-03-31 | 2022-03-11 | 西北工业大学 | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 |
CN111563528A (zh) * | 2020-03-31 | 2020-08-21 | 西北工业大学 | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 |
CN111967537A (zh) * | 2020-04-13 | 2020-11-20 | 江西理工大学 | 一种基于双路胶囊网络的sar目标分类方法 |
CN111582363A (zh) * | 2020-05-06 | 2020-08-25 | 西安电子科技大学 | 一种基于多视点深度特征融合SENet网络的分类方法 |
CN111582363B (zh) * | 2020-05-06 | 2023-04-07 | 西安电子科技大学 | 一种基于多视点深度特征融合SENet网络的分类方法 |
CN111738124B (zh) * | 2020-06-15 | 2023-08-22 | 西安电子科技大学 | 基于Gabor变换和注意力的遥感图像云检测方法 |
CN111738124A (zh) * | 2020-06-15 | 2020-10-02 | 西安电子科技大学 | 基于Gabor变换和注意力的遥感图像云检测方法 |
CN111754404A (zh) * | 2020-06-18 | 2020-10-09 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN111754404B (zh) * | 2020-06-18 | 2022-07-01 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN112052877A (zh) * | 2020-08-06 | 2020-12-08 | 杭州电子科技大学 | 一种基于级联增强网络的图片细粒度分类方法 |
CN112052877B (zh) * | 2020-08-06 | 2024-04-09 | 杭州电子科技大学 | 一种基于级联增强网络的图片细粒度分类方法 |
CN112036454B (zh) * | 2020-08-17 | 2022-12-16 | 上海电力大学 | 一种基于多核密集连接网络的图像分类方法 |
CN112036454A (zh) * | 2020-08-17 | 2020-12-04 | 上海电力大学 | 一种基于多核密集连接网络的图像分类方法 |
CN112101190B (zh) * | 2020-09-11 | 2023-11-03 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112101190A (zh) * | 2020-09-11 | 2020-12-18 | 西安电子科技大学 | 一种遥感图像分类方法、存储介质及计算设备 |
CN112418261A (zh) * | 2020-09-17 | 2021-02-26 | 电子科技大学 | 一种基于先验原型注意力机制的人体图像多属性分类方法 |
CN112132205A (zh) * | 2020-09-18 | 2020-12-25 | 东南大学 | 一种基于卷积神经网络的遥感图像分类方法 |
CN112733873A (zh) * | 2020-09-23 | 2021-04-30 | 浙江大学山东工业技术研究院 | 一种基于深度学习的染色体核型图分类方法及装置 |
CN112232151A (zh) * | 2020-09-30 | 2021-01-15 | 河海大学 | 一种嵌入注意力机制的迭代聚合神经网络高分遥感场景分类方法 |
CN112287989A (zh) * | 2020-10-20 | 2021-01-29 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112287989B (zh) * | 2020-10-20 | 2022-06-07 | 武汉大学 | 一种基于自注意力机制的航空影像地物分类方法 |
CN112307982B (zh) * | 2020-11-02 | 2023-07-28 | 西安电子科技大学 | 基于交错增强注意力网络的人体行为识别方法 |
CN112307982A (zh) * | 2020-11-02 | 2021-02-02 | 西安电子科技大学 | 基于交错增强注意力网络的人体行为识别方法 |
CN112232448A (zh) * | 2020-12-14 | 2021-01-15 | 北京大恒普信医疗技术有限公司 | 图像分类方法、装置、电子设备和存储介质 |
CN112634238A (zh) * | 2020-12-25 | 2021-04-09 | 武汉大学 | 一种基于注意力模块的图像质量评价方法 |
CN112634238B (zh) * | 2020-12-25 | 2024-03-08 | 武汉大学 | 一种基于注意力模块的图像质量评价方法 |
CN113205061A (zh) * | 2020-12-28 | 2021-08-03 | 武汉纺织大学 | 基于胶囊网络的服装分类方法及分类系统 |
CN112766283B (zh) * | 2021-01-25 | 2023-03-24 | 西安电子科技大学 | 一种基于多尺度卷积网络的两相流流型识别方法 |
CN112766283A (zh) * | 2021-01-25 | 2021-05-07 | 西安电子科技大学 | 一种基于多尺度卷积网络的两相流流型识别方法 |
CN113011506A (zh) * | 2021-03-24 | 2021-06-22 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113011506B (zh) * | 2021-03-24 | 2023-08-25 | 华南理工大学 | 一种基于深度重分形频谱网络的纹理图像分类方法 |
CN113191285B (zh) * | 2021-05-08 | 2023-01-20 | 山东大学 | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 |
CN113191285A (zh) * | 2021-05-08 | 2021-07-30 | 山东大学 | 基于卷积神经网络和Transformer的河湖遥感图像分割方法及系统 |
CN113283514A (zh) * | 2021-05-31 | 2021-08-20 | 高新兴科技集团股份有限公司 | 一种基于深度学习的未知类别分类方法、装置及介质 |
CN113435478A (zh) * | 2021-06-03 | 2021-09-24 | 华东师范大学 | 一种利用图卷积神经网络进行服装样板图分类的方法和系统 |
CN113435478B (zh) * | 2021-06-03 | 2022-07-08 | 华东师范大学 | 一种利用图卷积神经网络进行服装样板图分类的方法和系统 |
CN113408398A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于通道注意力及概率上采样的遥感图像云检测方法 |
CN113361546A (zh) * | 2021-06-18 | 2021-09-07 | 合肥工业大学 | 融合非对称卷积和注意力机制的遥感图像特征提取方法 |
CN113469196A (zh) * | 2021-06-25 | 2021-10-01 | 南京航空航天大学 | 一种基于注意力深度卷积神经分类网络的图像分类方法 |
CN113469910A (zh) * | 2021-06-29 | 2021-10-01 | 展讯通信(上海)有限公司 | 图像处理方法、装置及设备 |
CN113643318A (zh) * | 2021-06-30 | 2021-11-12 | 深圳市优必选科技股份有限公司 | 图像分割方法、图像分割装置及终端设备 |
CN113643318B (zh) * | 2021-06-30 | 2023-11-24 | 深圳市优必选科技股份有限公司 | 图像分割方法、图像分割装置及终端设备 |
CN113408549B (zh) * | 2021-07-14 | 2023-01-24 | 西安电子科技大学 | 基于模板匹配和注意力机制的少样本弱小目标检测方法 |
CN113408549A (zh) * | 2021-07-14 | 2021-09-17 | 西安电子科技大学 | 基于模板匹配和注意力机制的少样本弱小目标检测方法 |
CN113627377A (zh) * | 2021-08-18 | 2021-11-09 | 福州大学 | 基于Attention-Based CNN的认知无线电频谱感知方法及系统 |
CN113792640B (zh) * | 2021-09-07 | 2023-07-14 | 海南大学 | 基于DenseNet的海洋遥感图像噪声识别方法 |
CN113792640A (zh) * | 2021-09-07 | 2021-12-14 | 海南大学 | 基于DenseNet的海洋遥感图像噪声识别方法 |
CN113920378B (zh) * | 2021-11-09 | 2023-10-20 | 西安交通大学 | 基于注意力机制的柴胡种子识别方法 |
CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
CN114612688A (zh) * | 2022-05-16 | 2022-06-10 | 中国科学技术大学 | 对抗样本生成方法、模型训练方法、处理方法及电子设备 |
CN114612688B (zh) * | 2022-05-16 | 2022-09-09 | 中国科学技术大学 | 对抗样本生成方法、模型训练方法、处理方法及电子设备 |
CN115205614A (zh) * | 2022-05-20 | 2022-10-18 | 钟家兴 | 一种用于智能制造的矿石x光图像识别方法 |
CN115205614B (zh) * | 2022-05-20 | 2023-12-22 | 深圳市沃锐图像技术有限公司 | 一种用于智能制造的矿石x光图像识别方法 |
CN116416479B (zh) * | 2023-06-06 | 2023-08-29 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
CN116416479A (zh) * | 2023-06-06 | 2023-07-11 | 江西理工大学南昌校区 | 基于深度卷积融合多尺度图像特征的矿物分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728224B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
Roy et al. | Attention-based adaptive spectral–spatial kernel ResNet for hyperspectral image classification | |
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
Xie et al. | A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks | |
Klibisz et al. | Fast, simple calcium imaging segmentation with fully convolutional networks | |
CN112101190A (zh) | 一种遥感图像分类方法、存储介质及计算设备 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
CN111401426B (zh) | 基于伪标签学习的小样本高光谱图像分类方法 | |
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 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN113095409A (zh) | 基于注意力机制和权值共享的高光谱图像分类方法 | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
Anandhakrishnan et al. | Identification of tomato leaf disease detection using pretrained deep convolutional neural network models | |
Liu et al. | DS-MENet for the classification of citrus disease | |
Muthukannan et al. | A GA_FFNN algorithm applied for classification in diseased plant leaf system | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN116129189A (zh) | 一种植物病害识别方法、设备、存储介质及装置 | |
CN113313185B (zh) | 一种基于自适应空谱特征提取的高光谱图像分类方法 | |
Zhao et al. | Recognition and Classification of Concrete Cracks under Strong Interference Based on Convolutional Neural Network. |
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 |