CN111144463B - 一种基于残差子空间聚类网络的高光谱图像聚类方法 - Google Patents
一种基于残差子空间聚类网络的高光谱图像聚类方法 Download PDFInfo
- Publication number
- CN111144463B CN111144463B CN201911299103.1A CN201911299103A CN111144463B CN 111144463 B CN111144463 B CN 111144463B CN 201911299103 A CN201911299103 A CN 201911299103A CN 111144463 B CN111144463 B CN 111144463B
- Authority
- CN
- China
- Prior art keywords
- residual
- self
- encoder
- clustering
- expression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000014509 gene expression Effects 0.000 description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- 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
Abstract
本发明提供一种基于残差子空间聚类网络的高光谱图像聚类方法,具体包括以下步骤:对原始高光谱图像进行预处理,得到标准化后的空谱样本;构建残差子空间聚类网络,并将所述标准化后的空谱样本输入至所述残差子空间聚类网络,采用梯度下降法进行参数优化,得到非线性自表达系数矩阵C;使用所述非线性自表达系数矩阵C构造相似度矩阵A,并采用谱聚类算法将所述相似度矩阵A分割成k组,从而获得聚类后的k个簇;本发明的有益效果是:将线性的子空间聚类方法扩展至非线性的深度模型中,通过学习面向聚类的深度特征表示,有效解决了高光谱图像无监督分类精度低的问题。
Description
技术领域
本发明涉及高光谱图像分类领域,尤其涉及一种基于残差子空间聚类网络的高光谱图像聚类方法。
背景技术
高光谱图像分类是高光谱遥感应用的重要基础,根据是否使用标记样本,高光谱图像分类可分为监督分类和无监督分类。在过去十几年里,高光谱图像监督分类方法获得了很大的成功,如支持向量机、随机森林、超限学习机等。由于监督分类使用了标记信息,通常可以获得较高的精度,但同时也需要耗费大量人力物力去标记样本,导致有监督分类方法的训练成本过高,不利于在生产实践中的应用。
深度聚类方法目前还没有在高光谱图像聚类中得到应用,而且存在两个问题,一是没有考虑样本数据的全局结构信息,二是训练难度大需要结合预训练。
发明内容
针对现有高光谱图像分类方法中的问题,本发明提出一种新颖的基于深度子空间聚类网络的高光谱图像聚类方法。本发明所述的一种基于深度聚类的高光谱图像聚类方法,具体包括以下步骤:
S101:对原始高光谱图像进行预处理,得到标准化后的空谱样本;
S102:构建残差子空间聚类网络,并将所述标准化后的空谱样本输入至所述残差子空间聚类网络,采用梯度下降法进行参数优化,得到非线性自表达系数矩阵C;
S103:使用所述非线性自表达系数矩阵C构造相似度矩阵A,并采用谱聚类算法将所述相似度矩阵A分割成k组,从而获得聚类后的k个簇。
进一步地,步骤S101中对原始高光谱图像进行预处理,得到标准化后的空谱样本,具体如下:
S201:使用PCA法对原始高光谱图像的B个光谱波段降维至b个波段,得到降维后的高光谱数据,其中0<b<B;
S202:对所述降维后的高光谱数据中的每个像素,采用w×w的滑动窗口取以该像素为中心的邻域块,并使用这些像素块构造N个空谱样本w为所述滑动窗口的长与宽;
S203:对所述空谱样本X采用数据归一化方法对其每个元素进行标准化,使其所有值缩放至[0,1]之间,由此得到标准化后的空谱样本。
进一步地,步骤S102中构建的所述残差子空间聚类网络包括编码器、自表达层和解码器。
进一步地,所述编码器包含多个带ReLu激活和批正则化的卷积层,所述自表达层由一个线性全连接层实现,所述解码器包含多个带ReLu激活和批正则化的反卷积层。
进一步地,所述编码器和所述解码器之间采用对称的恒等连接,形成残差自编码器;所述残差自编码器的损失函数为:
式(1)中,lAE表示所述残差自编码器的损失函数,θ和φ分别表示编码器和解码器的参数,||·||F表示矩阵的F范数。
进一步地,所述自表达层位于所述编码器和所述解码器之间;通过自表达层对所述编码器的输出做线性的自表达,从而获得非线性自表达系数矩阵;所述自表达层的损失函数为:
式(2)中,Z为所述编码器的输出,C为非线性自表达系数矩阵,是对非线性自表达系数矩阵的正则化约束,λ为正则化系数。
进一步地,步骤S102中将所述标准化后的空谱样本输入至所述残差子空间聚类网络,具体为通过对所述非线性自表达系数矩阵施加图正则化,从而将所述标准化后的空谱样本中的全局结构化信息带入至所述残差子空间聚类网络;所述图正则化损失函数为:
lG(C)=Tr(CLCT) (3)
式(3)中,Tr表示矩阵迹运算,L表示空谱样本的拉普拉斯矩阵,L的表达式为:
L=D-W (4)
式(4)中,为W的一个元素,表示第i个和第j个空谱样本间的距离,σ为非负因子,/>称为度矩阵,为D的第i行的对角元素,D中其余元素为0。
进一步地,所述残差子空间聚类网络的损失函数为:
式(5)中,α、λ和γ为正则化平衡系数。
进一步地,在构建所述残差子空间聚类网络时,还引入了残差连接来使得反向传播直接达到编码层,以此避免了梯度消失的发生;所述残差连接过程中残差学习的公式为:
式(6)中,Xi表示所述残差子空间聚类网络的第i层输出,表示残差连接过程的输出,h(Xi)表示残差学习。
步骤S103中,相似度矩阵A的公式为:
A=|C|+|C|T (7)
本发明提供的技术方案带来的有益效果是:将线性的子空间聚类方法扩展至非线性的深度模型中,通过学习面向聚类的深度特征表示,有效解决了高光谱图像无监督分类精度低的问题。
附图说明
图1为本发明实施例中一种基于残差子空间聚类网络的高光谱图像聚类方法的流程图;
图2为本发明实施例中一种基于残差子空间聚类网络的结构图;
图3为本发明实施例中不同的高光谱图像聚类方法获得得结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了一种基于残差子空间聚类网络的高光谱图像聚类方法的,具体包括:
S101:对原始高光谱图像进行预处理,得到标准化后的空谱样本;
S102:构建残差子空间聚类网络,并将所述标准化后的空谱样本输入至所述残差子空间聚类网络,采用梯度下降法进行参数优化,得到非线性自表达系数矩阵C;
S103:使用所述非线性自表达系数矩阵C构造相似度矩阵A,并采用谱聚类算法将所述相似度矩阵A分割成k组,从而获得聚类后的k个簇。
步骤S101中对原始高光谱图像进行预处理,得到标准化后的空谱样本,具体如下:
S201:使用PCA法对原始高光谱图像的B个光谱波段降维至b个波段,得到降维后的高光谱数据,其中0<b<B;
S202:对所述降维后的高光谱数据中的每个像素,采用w×w的滑动窗口取以该像素为中心的邻域块,并使用这些像素块构造N个空谱样本w为所述滑动窗口的长与宽;
S203:对所述空谱样本X采用数据归一化方法对其每个元素进行标准化,使其所有值缩放至[0,1]之间,由此得到标准化后的空谱样本。
步骤S102中构建的所述残差子空间聚类网络包括编码器、自表达层和解码器。编码器、自表达层和解码器的公式表示分别为:
Z=fθ(X),和/>θ、φ和C表示编码器、解码器参数。
所述编码器包含多个带ReLu激活和批正则化的卷积层,所述自表达层由一个线性全连接层实现,所述解码器包含多个带ReLu激活和批正则化的反卷积层。
所述编码器和所述解码器之间采用对称的恒等连接,形成残差自编码器;所述残差自编码器的损失函数为:
式(1)中,lAE表示所述残差自编码器的损失函数,θ和φ分别表示编码器和解码器的参数,||·||F表示矩阵的F范数。
所述自表达层位于所述编码器和所述解码器之间;通过自表达层对所述编码器的输出做线性的自表达,从而获得非线性自表达系数矩阵;所述自表达层的损失函数为:
式(2)中,Z为所述编码器的输出,C为非线性自表达系数矩阵,是对非线性自表达系数矩阵的正则化约束,λ为正则化系数。
步骤S102中将所述标准化后的空谱样本输入至所述残差子空间聚类网络,具体为通过对所述非线性自表达系数矩阵施加图正则化,从而将所述标准化后的空谱样本中的全局结构化信息带入至所述残差子空间聚类网络;所述图正则化损失函数为:
lG(C)=Tr(CLCT) (3)
式(3)中,Tr表示矩阵迹运算,L表示空谱样本的拉普拉斯矩阵,L的表达式为:
L=D-W (4)
式(4)中,为W的一个元素,表示第i个和第j个空谱样本间的距离,σ为非负因子,/>称为度矩阵,为D的第i行的对角元素,D中其余元素为0。
所述残差子空间聚类网络的损失函数为:
式(5)中,α、λ和γ为正则化平衡系数;式(5)采用Adam算法进行优化,待损失收敛,取C作为非线性的深度自表达系数矩阵。
在构建所述残差子空间聚类网络时,还引入了残差连接来使得反向传播直接达到编码层,以此避免了梯度消失的发生;所述残差连接过程中残差学习的公式为:
式(6)中,Xi表示所述残差子空间聚类网络的第i层输出,表示残差连接过程的输出,h(Xi)表示残差学习。
步骤S103中,相似度矩阵A的公式为:
A=|C|+|C|T (7)
请参考图2,图2为本发明实施例中残差子空间聚类网络的结构图。图2中(a)为所述残差子空间聚类网络,其包含一个编码器(左虚线框)、自表达层(SE)和解码器(右虚线框),在编码器和解码器对称的层之间采用恒等连接,其中Conv表示卷积层,G表示图正则化。图2(b)表示对SE层产生的非线性自表达系数矩阵C采用谱聚类(SC)进行分割从而获得聚类结果。本实施例中,残差自编码器的结构如表1中所示。参照表1,将经过预处理后的空谱样本输入到深度残差自编码器网络。编码器使用了两个3×3×32和一个3×3×64的卷积层将数据非线性的变换到潜在空间,解码器使用了一个3×3×64和两个3×3×32的反卷积层重建输入数据,每一层均使用批归一化和ReLU激活函数。
表1本实施例的残差自编码器结构
本实施例中,为了便于说明本发明方法聚类结果的优越性,对SalinasA高光谱数据采用了多种现有聚类方法进行聚类,并与本发明方法的聚类结果进行比较,请参考图3,如图3所示为不同的高光谱图像聚类方法获得得结果对比图,图3(a)为真实分布图,图3(b)-图3(j)分别为谱聚类、稀疏子空间聚类、L2正则化稀疏子空间聚类、低秩子空间聚类、鲁棒非负矩阵分解聚类、子空间聚类网络、图正则化子空间聚类网络、残差子空间聚类网路和本发明方法的聚类结果分布图。由图可以看出,本发明的方法具有最好的聚类效果。为了更加准确地说明本发明方法的聚类准确性,将聚类结果进行量化,获得了高光谱图像聚类方法的聚类准确率比较表,如表2所示,从表中可以清晰地看出本发明所提出方法的分类结果准确率明显高于其他方法。
表2
本发明的有益效果是:将线性的子空间聚类方法扩展至非线性的深度模型中,通过学习面向聚类的深度特征表示,有效解决了高光谱图像无监督分类精度低的问题。
在本文中,所涉及的前、后、上、下等方位词是以附图中各装置位于图中以及设备相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (1)
1.一种基于残差子空间聚类网络的高光谱图像聚类方法,其特征在于:具体包括以下步骤:
S101:对原始高光谱图像进行预处理,得到标准化后的空谱样本;
S102:构建残差子空间聚类网络,并将所述标准化后的空谱样本输入至所述残差子空间聚类网络,采用梯度下降法进行参数优化,得到非线性自表达系数矩阵C;
S103:使用所述非线性自表达系数矩阵C构造相似度矩阵A,并采用谱聚类算法将所述相似度矩阵A分割成k组,从而获得聚类后的k个簇;
步骤S101中对原始高光谱图像进行预处理,得到标准化后的空谱样本,具体如下:
S201:使用PCA法对原始高光谱图像的B个光谱波段降维至b个波段,得到降维后的高光谱数据,其中0<b<B;
S202:对所述降维后的高光谱数据中的每个像素,采用w×w的滑动窗口取以该像素为中心的邻域块,并使用这些像素块构造N个空谱样本w为所述滑动窗口的长与宽;
S203:对所述空谱样本X采用数据归一化方法对其每个元素进行标准化,使其所有值缩放至[0,1]之间,由此得到标准化后的空谱样本;
步骤S102中构建的所述残差子空间聚类网络包括编码器、自表达层和解码器;
所述编码器包含多个带ReLu激活和批正则化的卷积层,所述自表达层由一个线性全连接层实现,所述解码器包含多个带ReLu激活和批正则化的反卷积层;
所述编码器和所述解码器之间采用对称的恒等连接,形成残差自编码器;所述残差自编码器的损失函数为:
式(1)中,lAE表示所述残差自编码器的损失函数,θ和φ分别表示编码器和解码器的参数,||·||F表示矩阵的F范数;表示解码器的输出;
所述自表达层位于所述编码器和所述解码器之间;通过自表达层对所述编码器的输出做线性的自表达,从而获得非线性自表达系数矩阵;所述自表达层的损失函数为:
式(2)中,Z为所述编码器的输出,C为非线性自表达系数矩阵,是对非线性自表达系数矩阵的正则化约束,λ为正则化系数;
所述残差子空间聚类网络的损失函数为:
式(5)中,α、λ和γ为正则化平衡系数;L表示空谱样本的拉普拉斯矩阵;
在构建所述残差子空间聚类网络时,还引入了残差连接来使得反向传播直接达到编码层,以此避免了梯度消失的发生;所述残差连接过程中残差学习的公式为:
式(6)中,Xi表示所述残差子空间聚类网络的第i层输出,表示残差连接过程的输出,h(Xi)表示残差学习;
步骤S103中,相似度矩阵A的公式为:
A=|C|+|C|T (7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299103.1A CN111144463B (zh) | 2019-12-17 | 2019-12-17 | 一种基于残差子空间聚类网络的高光谱图像聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911299103.1A CN111144463B (zh) | 2019-12-17 | 2019-12-17 | 一种基于残差子空间聚类网络的高光谱图像聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111144463A CN111144463A (zh) | 2020-05-12 |
CN111144463B true CN111144463B (zh) | 2024-02-02 |
Family
ID=70518516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911299103.1A Active CN111144463B (zh) | 2019-12-17 | 2019-12-17 | 一种基于残差子空间聚类网络的高光谱图像聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144463B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680644B (zh) * | 2020-06-11 | 2023-03-28 | 天津大学 | 一种基于深度空时特征学习的视频行为聚类方法 |
CN112215267B (zh) * | 2020-09-25 | 2022-11-01 | 天津大学 | 一种面向高光谱图像的深度空谱子空间聚类方法 |
CN113505849B (zh) * | 2021-07-27 | 2023-09-19 | 电子科技大学 | 一种基于对比学习的多层网络聚类方法 |
CN114037853B (zh) * | 2021-11-11 | 2024-03-05 | 西北工业大学 | 基于拉普拉斯秩约束的深度图像聚类方法 |
CN114529746B (zh) * | 2022-04-02 | 2024-04-12 | 广西科技大学 | 基于低秩子空间一致性的图像聚类方法 |
CN114792386B (zh) * | 2022-06-23 | 2022-10-11 | 苏州拉索生物芯片科技有限公司 | 高密度基因芯片的微珠亮暗分类方法、终端和存储介质 |
CN116310459B (zh) * | 2023-03-28 | 2024-01-19 | 中国地质大学(武汉) | 基于多视图空谱联合的高光谱图像子空间聚类方法 |
CN117611931B (zh) * | 2024-01-23 | 2024-04-05 | 西南科技大学 | 一种基于深度自表示局部块学习的数据分类方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 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 |
CN108846361A (zh) * | 2018-06-15 | 2018-11-20 | 南京邮电大学 | 一种基于谱带特异性学习的高光谱图像分类方法 |
CN109993208A (zh) * | 2019-03-04 | 2019-07-09 | 北京工业大学 | 一种有噪声图像的聚类处理方法 |
CN110363236A (zh) * | 2019-06-29 | 2019-10-22 | 河南大学 | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 |
CN110516026A (zh) * | 2019-07-15 | 2019-11-29 | 西安电子科技大学 | 基于图正则化非负矩阵分解的在线单模态哈希检索方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8935308B2 (en) * | 2012-01-20 | 2015-01-13 | Mitsubishi Electric Research Laboratories, Inc. | Method for recovering low-rank matrices and subspaces from data in high-dimensional matrices |
US10861143B2 (en) * | 2017-09-27 | 2020-12-08 | Korea Advanced Institute Of Science And Technology | Method and apparatus for reconstructing hyperspectral image using artificial intelligence |
-
2019
- 2019-12-17 CN CN201911299103.1A patent/CN111144463B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
WO2017215284A1 (zh) * | 2016-06-14 | 2017-12-21 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
WO2018045626A1 (zh) * | 2016-09-07 | 2018-03-15 | 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 |
CN108846361A (zh) * | 2018-06-15 | 2018-11-20 | 南京邮电大学 | 一种基于谱带特异性学习的高光谱图像分类方法 |
CN109993208A (zh) * | 2019-03-04 | 2019-07-09 | 北京工业大学 | 一种有噪声图像的聚类处理方法 |
CN110363236A (zh) * | 2019-06-29 | 2019-10-22 | 河南大学 | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 |
CN110516026A (zh) * | 2019-07-15 | 2019-11-29 | 西安电子科技大学 | 基于图正则化非负矩阵分解的在线单模态哈希检索方法 |
Non-Patent Citations (9)
Title |
---|
Meng Zeng etal.SPECTRAL-SPATIAL CLUSTERING OF HYPERSPECTRAL IMAGE BASED OLAPLACIAN REGULARIZED DEEP SUBSPACE CLUSTERING.IEEE.2019,第2.1-2.2节. * |
Residual Energy Aware Clustering Algorithm for Heterogeneous Sensor Networks;Xiaohua Cui;IEEE;第583-588页 * |
SPECTRAL-SPATIAL CLUSTERING OF HYPERSPECTRAL IMAGE BASED ON LAPLACIAN REGULARIZED DEEP SUBSPACE CLUSTERING;Meng Zeng1;IEEE;全文 * |
使用深度对抗子空间聚类实现高光谱波段选择;曾梦;计算机应用;全文 * |
利用改进相似性度量方法进行高光谱海冰检测;韩彦岭;李珏;张云;洪中华;;遥感信息(第01期);全文 * |
基于残差三维卷积神经网络的高光谱遥感图像分类;丁杰;陈苏婷;;激光杂志(第12期);全文 * |
基于深度卷积神经网络的视觉SLAM去模糊系统;缪弘;张文强;;中兴通讯技术(第05期);全文 * |
深度迁移学习在高光谱遥感图像分类中的 研究现状与展望;尹 旭;青岛科技大学学报(自然科学版);全文 * |
缪弘 ; 张文强 ; .基于深度卷积神经网络的视觉SLAM去模糊系统.中兴通讯技术.2018,(第05期),66-70. * |
Also Published As
Publication number | Publication date |
---|---|
CN111144463A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144463B (zh) | 一种基于残差子空间聚类网络的高光谱图像聚类方法 | |
CN112364730B (zh) | 基于稀疏子空间聚类的高光谱地物自动分类方法及系统 | |
CN109858575B (zh) | 基于卷积神经网络的数据分类方法 | |
US20150293884A1 (en) | Method to compute the barycenter of a set of histograms | |
Lin | A review on low-rank models in data analysis | |
CN108021930A (zh) | 一种自适应的多视角图像分类方法及系统 | |
CN110990775B (zh) | 基于多流形对偶图正则化非负矩阵分解的多视图聚类方法 | |
Bieder et al. | Comparison of methods generalizing max-and average-pooling | |
CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
Ahn et al. | Dynamic background subtraction with masked RPCA | |
Chen et al. | Multi-resolution geometric analysis for data in high dimensions | |
CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
WO2020177378A1 (zh) | 文本信息的特征提取方法、装置、计算机设备及存储介质 | |
Böhmer et al. | Regularized sparse kernel slow feature analysis | |
Zdunek et al. | Incremental nonnegative Tucker decomposition with block-coordinate descent and recursive approaches | |
CN113553442A (zh) | 一种无监督事件知识图谱构建方法及系统 | |
US20230410465A1 (en) | Real time salient object detection in images and videos | |
Turajlic et al. | Application of artificial neural network for image noise level estimation in the SVD domain | |
WO2022162427A1 (en) | Annotation-efficient image anomaly detection | |
CN109815889B (zh) | 一种基于特征表示集的跨分辨率人脸识别方法 | |
KR102225586B1 (ko) | 양의 정부호 행렬 위에서의 리만 서브 매니폴드 프레임워크를 이용한 로그 유클리디안 메트릭 러닝 장치 및 방법 | |
CN109325515B (zh) | 基于局部学习正则化的深度矩阵分解方法及图像聚类方法 | |
Babanezhad et al. | MASAGA: A linearly-convergent stochastic first-order method for optimization on manifolds | |
CN112417234B (zh) | 一种数据聚类方法和装置,及计算机可读存储介质 | |
Li et al. | Alternating direction method of multipliers for solving dictionary learning models |
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 |