CN110852369A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110852369A
CN110852369A CN201911074775.2A CN201911074775A CN110852369A CN 110852369 A CN110852369 A CN 110852369A CN 201911074775 A CN201911074775 A CN 201911074775A CN 110852369 A CN110852369 A CN 110852369A
Authority
CN
China
Prior art keywords
hyperspectral image
network
block
sample
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
Application number
CN201911074775.2A
Other languages
English (en)
Other versions
CN110852369B (zh
Inventor
李映
房蓓
韩其倬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201911074775.2A priority Critical patent/CN110852369B/zh
Publication of CN110852369A publication Critical patent/CN110852369A/zh
Application granted granted Critical
Publication of CN110852369B publication Critical patent/CN110852369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，通过使用3D/2D稠密连接网络和多个中间分类器构建网络模型，又将自适应光谱解混作为网络分类结果的补充。具有早退出机制的多个中间分类器的设计使得模型可以使用自适应光谱解混来促进分类，这为计算量和最终分类性能带来了相当大的益处。此外，本发明还提出了一个基于空谱特征的3D/2D卷积，使得三维卷积能够包含较少的三维卷积，同时通过利用二维卷积获得更多的光谱信息来增强特征学习，从而降低了训练的复杂度。本发明与现有的基于深度学习的高光谱图像分类方法相比，计算效率更高，精度更高。

Description

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
技术领域
本发明涉及一种针对低空间分辨率的高光谱图像分类方法，该方法是一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类，属图像处理领域。
背景技术
高光谱遥感图像光谱分辨率高、成像波段多、信息量大，在遥感应用领域得到广泛应用。高光谱图像分类技术是高光谱图像处理技术中十分重要的内容。高光谱中丰富的光谱分辨率可以提高精确区分地物的能力。虽然丰富的光谱分辨率对于分类问题是有用的，但丰富的光谱分辨率的代价是较低的空间分辨率。由于空间分辨率低，每个像素的光谱特征会由不同光谱混合组成。如果像素在高光谱数据中高度混合，则很难确定其类别标签，因为它不容易与其他类别分离。因此，低空间分辨率导致的混合像元是影响高光谱分类精度的主要障碍之一。从表面上看，混合像素对高光谱分析有一定的负面影响。然而，最近通过对混合像素的物理形成机制的深入分析研究，可以发现混合像素对高光谱解译的积极因素。已有研究发现光谱解混也可以为高光谱分类问题提供有价值的信息。
近年来基于深度学习的高光谱分类算法取得了突破性的进展。考虑到高光谱解混和分类的成功结合以及深度学习的发展，研究如何利用解混和基于深度学习的分类算法结合，构造高效的深度学习网络结构一直是一项具有挑战性的任务。
发明内容
要解决的技术问题
针对低空间分辨率的高光谱图像分类问题，结合深度学习和光谱解混相关技术，设计一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法。
技术方案
一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，其特征在于步骤如下：
步骤1：数据预处理
对待处理的高光谱图像数据进行最大最小归一化，归一化公式如下：
Figure BDA0002262091430000021
其中，xijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，为归一化后的一个像元，x··smax、x··smin分别表示三维高光谱图像在s谱段的最大值和最小值；
步骤2：数据分割
统计高光谱图像中标签样本的个数，将数据分为三部分：有标签训练样本集XL，验证样本集XV，测试样本XT；对于一个尺寸为M*N*D的三维高光谱图像数据，M，N分别表示高光谱图像的高和宽，D表示高光谱图像的波段数；抽取样本时，以待处理像素为中心，抽取S*S*D的数据块作为中心像素的样本数据，S表示邻域大小；
步骤3：构建基于早退出机制的3D/2D稠密连接网络模型
在深度方向上网络整体分为三块，分别为第一层卷积，第一个Block块，第二个Block块和第三个Block块，每个Block后连接一个中间分类器；在尺度方向上，第一层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为8，2D卷积核尺寸为3*3，宽度为8，然后进行BatchNormalization和ReLu操作；在尺度方向上第二层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为16，2D卷积核尺寸为3*3，宽度为16；在尺度上第三层与第二层相同设置，在尺度上第四层为三维全局池化层，在尺度上第五层为全连接层，在深度方向上，三个Block块的网络模型重复前面一层的网络结构，每个Block块之间通过稠密连接进行连接；
步骤4：预训练网络模型
将有标签训练样本XL批量的输入到步骤2构建好的网络中，以标注的类别为指导信号，利用梯度下降算法对网络参数进行训练，直至网络收敛；训练过程中，每次随机不重复的从XL里抽取10-20样本为一批训练数据，将该数据输入到网络，抽取特征并计算预测结果，计算网络权值的偏导数，并利用梯度下降算法，更新网络参数；训练过程遍历整个训练集一次为一轮训练；整个训练过程进行90轮，前30轮学习率设为0.01，中间30轮，学习率衰减到0.001，最后30轮的学习率设为0.0001；整个训练过程中，动量项设为0.9；
步骤5：微调网络
在验证样本集XV上评估网络精度，并对权重λ进行训练；
步骤6：基于早退出机制的测试样本集标签预测
基于训练过的模型，对高光谱图像中待测试样本进行类别预测，经过网络模型，将测试样本中softmax概率值表示为yi，其中0＜yi＜1，∑yi＝1，i为类别数量；如果分类过程中得到的softmax概率值max(yi)大于所选阈值T，则系统将其发送到退出并输出分类结果，否则将样本输入到第二个Block块；以此类推，直到在第三个Block块将剩下测试样本全部输出，从每个Block块输出的样本分别表示为Nb1，Nb2，Nb3；
步骤7：针对难分样本进行光谱解混
通过考虑第二个Block块和第三个Block块输出的分类步骤的初始分类结果，对每个难分样本应用全约束最小二乘算法，对难分样本执行光谱解混，以获得每种地物类型的丰度图；其中待解混样本的端元由softmax的前三或前五个概率值组成；此过程表示如下：
Figure BDA0002262091430000031
其中，
Figure BDA0002262091430000032
是从第k个分类器中选择的样本i的端元集；如果k＝2，那么M＝3；如果k＝3，那么M＝5；E表示端元集；
步骤8：生成预测结果
将光谱解混得到的丰度图和分类结果相结合，丰度图和分类结果的贡献度由权重λ控制，如下所示：
LF＝LC+λLA (3)
其中LC和LA分别表示分类结果和丰度图，LF是最终分类图；最后将预测的类别放到对应的位置，得到预测结果图。
步骤2中的S取13。
有益效果
本发明通过使用3D/2D稠密连接网络和多个中间分类器构建网络模型，又将自适应光谱解混作为网络分类结果的补充。具有早退出机制的多个中间分类器的设计使得模型可以使用自适应光谱解混来促进分类，这为计算量和最终分类性能带来了相当大的益处。此外，本发明还提出了一个基于空谱特征的3D/2D卷积，使得三维卷积能够包含较少的三维卷积，同时通过利用二维卷积获得更多的光谱信息来增强特征学习，从而降低了训练的复杂度。本发明与现有的基于深度学习的高光谱图像分类方法相比，计算效率更高，精度更高。
附图说明
图1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流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本技术方案的具体措施如下：
步骤1：数据预处理。待处理的高光谱图像数据进行最大最小归一化。
步骤2：数据分割。统计高光谱图像中标签样本的个数，将数据分为三部分，分别为：有标签训练样本集，验证样本集，测试样本集。
步骤3：构建网络模型。构建基于早退出机制的3D/2D稠密连接网络模型。基于早退出机制的网络模型由多个中间分类器组成。
步骤4：预训练网络模型。将有标签训练样本批量的输入到构建好的3D/2D稠密连接网络模型中，以标注的类别为指导信号，利用梯度下降算法对网络参数进行训练。该模型采用多个中间分类器共同优化3D/2D稠密连接网络，直至网络收敛。
步骤5：微调网络。在验证样本集上评估网络精度。
步骤6：基于早退出机制的测试样本集标签预测。基于训练过的模型，对高光谱图像中待测试样本进行类别预测。将测试样本中softmax概率值的最大值超过所预设的阈值T的样本称为易分样本，即可直接输出分类结果；将测试样本中softmax概率值的最大值小于所预设的阈值T的样本成为难分样本，将对其进一步解混。
步骤7：针对难分样本进行光谱解混。通过考虑分类步骤的初始分类结果，对每个难分样本应用全约束最小二乘(Fully Constrained Least Squares，FCLS)算法，对难分样本执行光谱解混，以获得每种地物类型的丰度图。其中待解混样本的端元由softmax的前三或前五个概率值组成。
步骤8：生成预测结果。将光谱解混得到的丰度图和分类结果相结合，丰度图和分类结果的贡献度由权重λ控制，然后将预测的类别放到对应的位置，得到预测结果图。
实施例：
步骤1：数据预处理。对待处理的高光谱图像数据进行最大最小归一化，归一化公式如下：
Figure BDA0002262091430000051
其中xijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，现有的高光谱图像一般包含100-240个谱段，
Figure BDA0002262091430000052
为归一化后的一个像元，x··smax、x··smin分别表示三维高光谱图像在s谱段的最大值和最小值。
步骤2：数据分割。统计高光谱图像中标签样本的个数，将数据分为三部分：有标签训练样本集XL，验证样本集XV，测试样本XT。对于一个尺寸为M*N*D的三维高光谱图像数据，M，N分别表示高光谱图像的高和宽，D表示高光谱图像的波段数。抽取样本时，以待处理像素为中心，抽取S*S*D的数据块作为中心像素的样本数据，S表示邻域大小，一般取13。
步骤3：构建基于早退出机制的3D/2D稠密连接网络模型。基于早退出机制的网络模型由多个中间分类器组成。网络整体结构如下。在深度方向上网络整体分为三块，分别为第一层卷积，第一个Block块，第二个Block块和第三个Block块，每个Block后连接一个中间分类器。在尺度方向上，第一层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为8，2D卷积核尺寸为3*3，宽度为8，然后进行Batch Normalization和ReLu操作。在尺度方向上第二层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为16，2D卷积核尺寸为3*3，宽度为16。在尺度上第三层与第二层相同设置。在尺度上第四层为三维全局池化层。在尺度上第五层为全连接层。在深度方向上，三个Block块的网络模型重复前面一层的网络结构。每个Block块之间通过稠密连接进行连接。
步骤4：预训练网络模型。将有标签训练样本XL批量的输入到构建好的深度网络中，以标注的类别为指导信号，利用梯度下降算法对网络参数进行训练，直至网络收敛。训练过程中，每次随机不重复的从XL里抽取10-20样本为一批训练数据，将该数据输入到网络，抽取特征并计算预测结果，计算网络权值的偏导数，并利用梯度下降算法，更新网络参数。训练过程遍历整个训练集一次为一轮训练。整个训练过程进行90轮，前30轮学习率设为0.01，中间30轮，学习率衰减到0.001，最后30轮的学习率设为0.0001。整个训练过程中，动量项设为0.9。
步骤5：微调网络。在验证样本集XV上评估网络精度，并对权重λ进行训练。
步骤6：基于早退出机制的测试样本集标签预测。基于训练过的模型，对高光谱图像中待测试样本进行类别预测。经过网络模型，将测试样本中softmax概率值表示为yi，其中0＜yi＜1，∑yi＝1，i为类别数量。如果分类过程中得到的softmax概率值max(yi)大于所选阈值T，则系统将其发送到退出并输出分类结果，否则将样本输入到第二个Block块。以此类推，直到在第三个Block块将剩下测试样本全部输出。从每个Block块输出的样本分别表示为Nb1，Nb2，Nb3。
步骤7：针对难分样本进行光谱解混。通过考虑第二个Block块和第三个Block块输出的分类步骤的初始分类结果，对每个难分样本应用全约束最小二乘算法，对难分样本执行光谱解混，以获得每种地物类型的丰度图。其中待解混样本的端元由softmax的前三或前五个概率值组成。此过程表示如下：
Figure BDA0002262091430000071
其中
Figure BDA0002262091430000072
是从第k个分类器中选择的样本i的端元集。如果k＝2，那么M＝3；如果k＝3，那么M＝5。E表示端元集。
步骤8：生成预测结果。将光谱解混得到的丰度图和分类结果相结合，丰度图和分类结果的贡献度由权重λ控制，如下所示：
LF＝LC+λLA (3)
其中LC和LA分别表示分类结果和丰度图，LF是最终分类图。最后将预测的类别放到对应的位置，得到预测结果图。

Claims (2)

1.一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，其特征在于步骤如下：
步骤1：数据预处理
对待处理的高光谱图像数据进行最大最小归一化，归一化公式如下：
Figure FDA0002262091420000011
其中，xijs表示高光谱图像中的一个像元，i、j分别表示该像元位于高光谱图像中的坐标位置，s表示高光谱图像的谱段，
Figure FDA0002262091420000012
为归一化后的一个像元，xiismax、xiismin分别表示三维高光谱图像在s谱段的最大值和最小值；
步骤2：数据分割
统计高光谱图像中标签样本的个数，将数据分为三部分：有标签训练样本集XL，验证样本集XV，测试样本XT；对于一个尺寸为M*N*D的三维高光谱图像数据，M，N分别表示高光谱图像的高和宽，D表示高光谱图像的波段数；抽取样本时，以待处理像素为中心，抽取S*S*D的数据块作为中心像素的样本数据，S表示邻域大小；
步骤3：构建基于早退出机制的3D/2D稠密连接网络模型
在深度方向上网络整体分为三块，分别为第一层卷积，第一个Block块，第二个Block块和第三个Block块，每个Block后连接一个中间分类器；在尺度方向上，第一层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为8，2D卷积核尺寸为3*3，宽度为8，然后进行BatchNormalization和ReLu操作；在尺度方向上第二层为3D/2D卷积层，3D卷积核尺寸为3*3*8，宽度为16，2D卷积核尺寸为3*3，宽度为16；在尺度上第三层与第二层相同设置，在尺度上第四层为三维全局池化层，在尺度上第五层为全连接层，在深度方向上，三个Block块的网络模型重复前面一层的网络结构，每个Block块之间通过稠密连接进行连接；
步骤4：预训练网络模型
将有标签训练样本XL批量的输入到步骤2构建好的网络中，以标注的类别为指导信号，利用梯度下降算法对网络参数进行训练，直至网络收敛；训练过程中，每次随机不重复的从XL里抽取10-20样本为一批训练数据，将该数据输入到网络，抽取特征并计算预测结果，计算网络权值的偏导数，并利用梯度下降算法，更新网络参数；训练过程遍历整个训练集一次为一轮训练；整个训练过程进行90轮，前30轮学习率设为0.01，中间30轮，学习率衰减到0.001，最后30轮的学习率设为0.0001；整个训练过程中，动量项设为0.9；
步骤5：微调网络
在验证样本集XV上评估网络精度，并对权重λ进行训练；
步骤6：基于早退出机制的测试样本集标签预测
基于训练过的模型，对高光谱图像中待测试样本进行类别预测，经过网络模型，将测试样本中softmax概率值表示为yi，其中0<yi<1，∑yi＝1，i为类别数量；如果分类过程中得到的softmax概率值max(yi)大于所选阈值T，则系统将其发送到退出并输出分类结果，否则将样本输入到第二个Block块；以此类推，直到在第三个Block块将剩下测试样本全部输出，从每个Block块输出的样本分别表示为Nb1，Nb2，Nb3；
步骤7：针对难分样本进行光谱解混
通过考虑第二个Block块和第三个Block块输出的分类步骤的初始分类结果，对每个难分样本应用全约束最小二乘算法，对难分样本执行光谱解混，以获得每种地物类型的丰度图；其中待解混样本的端元由softmax的前三或前五个概率值组成；此过程表示如下：
Figure FDA0002262091420000021
其中，
Figure FDA0002262091420000022
是从第k个分类器中选择的样本i的端元集；如果k＝2，那么M＝3；如果k＝3，那么M＝5；E表示端元集；
步骤8：生成预测结果
将光谱解混得到的丰度图和分类结果相结合，丰度图和分类结果的贡献度由权重λ控制，如下所示：
LF＝LC+λLA (3)
其中LC和LA分别表示分类结果和丰度图，LF是最终分类图；最后将预测的类别放到对应的位置，得到预测结果图。
2.根据权利要求1所述的一种联合3D/2D卷积网络和自适应光谱解混的高光谱图像分类方法，其特征在于步骤2中的S取13。
CN201911074775.2A 2019-11-06 2019-11-06 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 Active CN110852369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911074775.2A CN110852369B (zh) 2019-11-06 2019-11-06 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911074775.2A CN110852369B (zh) 2019-11-06 2019-11-06 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

Publications (2)

Publication Number Publication Date
CN110852369A true CN110852369A (zh) 2020-02-28
CN110852369B CN110852369B (zh) 2022-09-27

Family

ID=69598641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911074775.2A Active CN110852369B (zh) 2019-11-06 2019-11-06 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

Country Status (1)

Country Link
CN (1) CN110852369B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112818794A (zh) * 2021-01-25 2021-05-18 哈尔滨工业大学 基于递进式空谱联合深度网络的高光谱遥感图像生成方法
CN113284102A (zh) * 2021-05-14 2021-08-20 国网新源张家口风光储示范电站有限公司 一种基于无人机的风机叶片损伤智能检测方法及装置
CN115187870A (zh) * 2022-09-13 2022-10-14 浙江蓝景科技有限公司杭州分公司 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324051A1 (en) * 2008-06-17 2009-12-31 Hoyt Clifford C Image Classifier Training
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
CN106788714A (zh) * 2016-12-05 2017-05-31 重庆工商大学 一种基于光学计算的稀疏解混方法
CN107657285A (zh) * 2017-10-13 2018-02-02 哈尔滨工业大学 基于三维卷积神经网络的高光谱图像分类方法
CN107832693A (zh) * 2017-10-31 2018-03-23 广东交通职业技术学院 一种基于空间自相关信息的高光谱图像植被分类方法
CN108491849A (zh) * 2018-03-23 2018-09-04 上海理工大学 基于三维稠密连接卷积神经网络的高光谱图像分类方法
CN109102529A (zh) * 2018-08-15 2018-12-28 西北工业大学 基于深度卷积神经网络的端对端高光谱图像变化检测方法
CN109389106A (zh) * 2018-12-20 2019-02-26 中国地质大学（武汉） 一种基于3d卷积神经网络的高光谱图像解混方法及系统
CN109784347A (zh) * 2018-12-17 2019-05-21 西北工业大学 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法
CN110033039A (zh) * 2019-04-10 2019-07-19 大连海事大学 一种基于目标约束检测的高光谱实时分类方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324051A1 (en) * 2008-06-17 2009-12-31 Hoyt Clifford C Image Classifier Training
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
CN106788714A (zh) * 2016-12-05 2017-05-31 重庆工商大学 一种基于光学计算的稀疏解混方法
CN107657285A (zh) * 2017-10-13 2018-02-02 哈尔滨工业大学 基于三维卷积神经网络的高光谱图像分类方法
CN107832693A (zh) * 2017-10-31 2018-03-23 广东交通职业技术学院 一种基于空间自相关信息的高光谱图像植被分类方法
CN108491849A (zh) * 2018-03-23 2018-09-04 上海理工大学 基于三维稠密连接卷积神经网络的高光谱图像分类方法
CN109102529A (zh) * 2018-08-15 2018-12-28 西北工业大学 基于深度卷积神经网络的端对端高光谱图像变化检测方法
CN109784347A (zh) * 2018-12-17 2019-05-21 西北工业大学 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法
CN109389106A (zh) * 2018-12-20 2019-02-26 中国地质大学（武汉） 一种基于3d卷积神经网络的高光谱图像解混方法及系统
CN110033039A (zh) * 2019-04-10 2019-07-19 大连海事大学 一种基于目标约束检测的高光谱实时分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GAO HUANG ET AL: "Multi-scale dense networks for resource efficient image classfication", 《ARXIV:1703.09844V4》 *
MOU-YUE HUANG ET AL: "Fast and accurate image recognition using Deeply-Fused Branchy Networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP)》 *
SURAT TEERAPITTAYANON ET AL: "BranchyNet: Fast Inference via Early Exiting from Deep Neural Networks", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 *
陈健飞等: "基于高光谱线性混合光谱分解识别人工地物", 《应用基础与工程科学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN112818794A (zh) * 2021-01-25 2021-05-18 哈尔滨工业大学 基于递进式空谱联合深度网络的高光谱遥感图像生成方法
CN112818794B (zh) * 2021-01-25 2022-03-04 哈尔滨工业大学 基于递进式空谱联合深度网络的高光谱遥感图像生成方法
CN113284102A (zh) * 2021-05-14 2021-08-20 国网新源张家口风光储示范电站有限公司 一种基于无人机的风机叶片损伤智能检测方法及装置
CN113284102B (zh) * 2021-05-14 2022-11-01 国网新源张家口风光储示范电站有限公司 一种基于无人机的风机叶片损伤智能检测方法及装置
CN115187870A (zh) * 2022-09-13 2022-10-14 浙江蓝景科技有限公司杭州分公司 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质
CN115187870B (zh) * 2022-09-13 2023-01-03 浙江蓝景科技有限公司杭州分公司 海洋塑料垃圾材质识别方法、系统、电子设备和存储介质

Also Published As

Publication number Publication date
CN110852369B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
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
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
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
CN113159051B (zh) 一种基于边缘解耦的遥感图像轻量化语义分割方法
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN106683048B (zh) 一种图像超分辨率方法及设备
CN110728192B (zh) 一种基于新型特征金字塔深度网络的高分遥感图像分类方法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN105320965B (zh) 基于深度卷积神经网络的空谱联合的高光谱图像分类方法
CN104217214B (zh) 基于可配置卷积神经网络的rgb‑d人物行为识别方法
US20190228268A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN109978041B (zh) 一种基于交替更新卷积神经网络的高光谱图像分类方法
CN110222773B (zh) 基于不对称分解卷积网络的高光谱图像小样本分类方法
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
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN110084159A (zh) 基于联合多级空谱信息cnn的高光谱图像分类方法
CN109753996B (zh) 基于三维轻量化深度网络的高光谱图像分类方法
CN110082821B (zh) 一种无标签框微地震信号检测方法及装置
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN107729993A (zh) 利用训练样本及折中度量的3d卷积神经网络构建方法
CN104866868A (zh) 基于深度神经网络的金属币识别方法和装置
CN112200123B (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
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
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法

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
GR01 Patent grant
GR01 Patent grant