CN111310598A - 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 - Google Patents

一种基于3维和2维混合卷积的高光谱遥感图像分类方法 Download PDF

Info

Publication number
CN111310598A
CN111310598A CN202010066659.2A CN202010066659A CN111310598A CN 111310598 A CN111310598 A CN 111310598A CN 202010066659 A CN202010066659 A CN 202010066659A CN 111310598 A CN111310598 A CN 111310598A
Authority
CN
China
Prior art keywords
dimensional
remote sensing
convolution
hyperspectral remote
spectral
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
CN202010066659.2A
Other languages
English (en)
Other versions
CN111310598B (zh
Inventor
郑建炜
冯宇超
陈婉君
蒋嘉伟
周鑫杰
徐宏辉
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010066659.2A priority Critical patent/CN111310598B/zh
Publication of CN111310598A publication Critical patent/CN111310598A/zh
Application granted granted Critical
Publication of CN111310598B publication Critical patent/CN111310598B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于3维和2维混合卷积的高光谱遥感图像分类方法，包括获取待分类的高光谱遥感图像；利用主成分分析法进行光谱降维；根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；根据光谱带含有的光谱信息量对光谱带赋予对应的权重；对光谱带中每个像素点取一个固定空间大小的立方体数据，利用3维卷积根据立方体数据提取光谱‑空间特征，再利用2维卷积进行光谱信息的融合，得到最终的特征图；采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；将特征向量输入至三层全连接网络得到预测分类结果。本发明结合了3维和2维卷积的优点，实现了在低训练样本下对高光谱遥感图像的准确分类。

Description

一种基于3维和2维混合卷积的高光谱遥感图像分类方法
技术领域
本申请属于图像处理技术领域，具体涉及一种基于3维和2维混合卷积的高光谱遥感图像分类方法。
背景技术
高光谱遥感图像分类作为地球观测的重要组成部分，已广泛用于精细化农业、军事、环境监测等方面。高光谱遥感图像可以从数百个表面物体的连续光谱段中获取光谱信息，而随着遥感技术的飞速发展，其空间分辨率也得到了极大的提高，这显著提高了高光谱数据集正确表达不同物体的能力。
在高光谱遥感图像分类任务中，主要存在三个难点：首先，高光谱数据的光谱维度具有数百个频带，并且光谱频带之间的信息通常是冗余的，这导致高数据维度并需要庞大的计算量，如何从数百个波段中去除冗余、提取互补信息成为了一个难点。其次，混合像素的存在对高光谱遥感图像的分类带来了很大的干扰，因为一个像素通常对应于多个对象类别，因此大多数情况下容易造成分类错误。最后，高光谱遥感图像进行人工标记的代价非常昂贵，导致现成的标记样本较少。因此，如何实现在低训练样本下，学习高光谱遥感图像特征并提高分类准确性，具有较大意义。
受视觉系统内在结构的启发，卷积神经网络的引入极大地促进了深度学习的发展，局部感知和参数共享两个优点，使得基于卷积神经网络的分类网络在准确性上取得了重大突破。但是2维卷积虽然能较好地提取高光谱遥感图像中的空间信息，但会丢失其中的光谱信息，而3维卷积神经网络需要在付出高计算量的代价下才能够获得高光谱遥感图像的光谱-空间特征。
发明内容
本申请提供一种基于3维和2维混合卷积的高光谱遥感图像分类方法，结合了3维和2维卷积的优点，实现了在低训练样本下对高光谱遥感图像的准确分类。
为实现上述目的，本申请所采取的技术方案为：
一种基于3维和2维混合卷积的高光谱遥感图像分类方法，所述基于3维和2维混合卷积的高光谱遥感图像分类方法，包括以下步骤：
步骤S1、获取待分类的高光谱遥感图像；
步骤S2、利用主成分分析法对高光谱遥感图像进行光谱降维；
步骤S3、执行通道移位操作，根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；
步骤S4、执行通道加权操作，根据光谱带含有的光谱信息量对光谱带赋予对应的权重；
步骤S5、对光谱带中每个像素点取一个固定空间大小的立方体数据，先利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图；
步骤S6、采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；
步骤S7、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。
作为优选，所述利用主成分分析法对高光谱遥感图像进行光谱降维，包括：
令获取的高光谱遥感图像的大小为W×H×L；
重塑高光谱遥感图像为大小为L×N的输入数据X，并且N＝W×H；
计算输入数据X的协方差矩阵B；
获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；
建立主成分分析的优化目标函数如下：
minP tr(PTBP),
Figure BDA0002376165010000021
其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作；
计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k。
作为优选，所述根据光谱带含有的光谱信息量对光谱带赋予对应的权重，包括：
每个光谱带赋予的权重为(1+Ratio)乘以每个通道的特征图，并且Ratio表示降维后每个主成分的方差与总方差的比值。
作为优选，所述3维卷积设置为三层卷积结构，三层卷积结构的卷积核大小分别设置为3×3×7、3×3×5和3×3×3，并且卷积核个数分别设置为8、16和32；
所述2维卷积设置为一层卷积结构，所述2维卷积包括64个大小为3×3的卷积核。
作为优选，所述采用协方差池化方法，从所述特征图中提取二阶信息，输出特征向量，包括：
令特征图的大小为H×W×D；
重塑特征图为大小为D×N的矩阵Z，并且N＝H×W；
计算协方差矩阵C如下：
Figure BDA0002376165010000031
其中，zi∈[z1,z2,...,zN]，zi为矩阵Z沿着第二维的第i个列向量，并且
Figure BDA0002376165010000032
将协方差矩阵C映射至欧式空间，得到矩阵F如下：
Figure BDA0002376165010000033
其中，C＝UAUT，A和U分别表示协方差矩阵C的特征值和特征向量，得到的矩阵F为对称矩阵；
取矩阵F的上三角数据组成特征向量f输出。
作为优选，所述三层全连接网络包括三个全连接层，三个全连接层中的前两个全连接层使用正规化形式的Dropout方法，最后一个全连接层使用Softmax输出预测分类结果。
本申请提供的基于3维和2维混合卷积的高光谱遥感图像分类方法，利用主成分分析对高光谱遥感图像进行光谱降维，再使用通道移位和通道加权两种优化方法，以此来增强具有更高光谱信息量的光谱带的重要性，提高了在低训练样本的情况下的分类准确性；并且混合使用3维和2维卷积可充分利用光谱和空间特征信息来获得更多的判别特征，以此充分利用3维卷积和2维卷积的优点，显著提高了分类的准确性。
附图说明
图1为本申请的基于3维和2维混合卷积的高光谱遥感图像分类方法的流程图；
图2为本申请主成分分析处理以及使用两种通道增强操作的示意图；
图3为本申请对每个像素点取固定空间大小的立方体数据，再利用混合卷积进行特征提取的流程图；
图4为本申请利用协方差池化方法将获取的特征图向量化的流程图；
图5为本申请利用三层全连接网络对获取的特征向量进行分类的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
其中一个实施例中，提供了一种基于3维和2维混合卷积的高光谱遥感图像分类方法，该方法充分利用了3维和2维卷积的优点，实现低训练样本下得到准确度高的分类结果。
具体的，如图1所示，本实施例中的基于3维和2维混合卷积的高光谱遥感图像分类方法，包括以下步骤：
步骤S1、获取待分类的高光谱遥感图像。
为了提高数据处理速度与准确性，首先需要对获取的高光谱遥感图像进行预处理，如图2所示，本实施例中提供的预处理包括主成分分析、通道移位和通道加权，具体步骤参见步骤S2～步骤S4。
步骤S2、利用主成分分析法对高光谱遥感图像进行光谱降维。
高维数据包含了过多的冗余信息，使得计算量十分庞大，因此利用主成分分析对高光谱遥感图像进行光谱降维，实现减小光谱带的维度并保留完整的空间信息。
在一实施例中，提供的光谱降维过程如下：
令获取的高光谱遥感图像的大小为W×H×L。
重塑高光谱遥感图像为大小为L×N的输入数据X，并且N＝W×H。
计算输入数据X的协方差矩阵B。
获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P。
建立主成分分析的优化目标函数如下：
minP tr(PTBP),
Figure BDA0002376165010000051
其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作。
计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k，实现了光谱维度的降维。
主成分分析法旨在减少光谱维度的情况下保留高光谱遥感图像固有的空间信息。实际上，主成分分析通过比较投影空间中数据差异的大小衡量了每个方向的重要性，因此降维后的数据其所含信息量存在差异。容易理解的是，数据差异越大，包含的信息量就越大。因此，可以得出如下推论：在主成分分析之后，所含光谱信息量将沿着新生成的光谱带维度按照从大到小重新排列，这将对后续的特征提取过程具有重要影响。
步骤S3、执行通道移位操作，根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列。
通道移位操作即实现了所含光谱信息量将沿着新生成的光谱带维度按照从大到小重新排列。在通道移位操作时，将相对更高光谱信息量的光谱带移动到通道最中间的位置，以进行最充分的3维卷积；相反，将低光谱信息量的光谱带放在通道边缘位置。
通道移位操作可以增加含有更高光谱信息量的特征图的空间特征提取次数。根据3维卷积的特征，可以确保将更重要的光谱带保留在所有通道的中间，以进行更多空间特征的卷积操作，这对特征提取来说，是十分有效的。
步骤S4、执行通道加权操作，根据光谱带含有的光谱信息量对光谱带赋予对应的权重。
在对光谱带进行加权时，若直接加权0和1之间的权值将会缩小特征值，为了克服上述缺陷，在一实施例中，每个光谱带赋予的权重为(1+Ratio)乘以每个通道的特征图，以突出不同光谱带的重要性。并且Ratio表示降维后每个主成分的方差与总方差的比值，该比值越大，相应的分量越重要，也表明了该光谱带中含有更多的光谱信息。
需要说明的是，本步骤中所指的通道与步骤3中的通道相同。准确而言，一个通道的所有特征，表示的就是这个通道的特征图。
步骤S5、对光谱带中每个像素点取一个固定空间大小(例如25×25)的立方体数据，先利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图。
本实施例中先利用3维卷积提取光谱-空间特征，然后利用2维卷积进行光谱信息的融合，降低光谱维度。
2维卷积操作着重于给定图像中的空间信息来提取高光谱遥感图像信息，对于3维卷积操作，除了通过获取光谱-空间特征图得到信息，还可以利用不同通道之间的相关性来提高特征表示的能力。
已知2维卷积可以提取空间特征，但无法获得连续光谱带中的显着特征，而3维卷积能够提取光谱-空间特征，但要付出更多的计算成本。这使得单独使用2维卷积或3维卷积无法获得较佳的特征提取效果。
本实施例提供的3维和2维卷积操作的混合将通过包含更多互补信息来帮助提升高光谱遥感图像分类的准确性。混合使用3维和2维卷积可充分利用光谱和空间特征信息来获得更多的判别特征。
由于简单的3维卷积网络的性能较差，而复杂的3维卷积网络可能在计算上难以承受，为了克服上述缺陷，在一实施例中，如图3所示，采用的3维卷积设置为三层卷积结构，三层卷积结构的卷积核大小分别设置为3×3×7、3×3×5和3×3×3，并且卷积核个数分别设置为8、16和32；采用的2维卷积设置为一层卷积结构，所述2维卷积包括64个大小为3×3的卷积核。
步骤S6、采用协方差池化方法，从特征图中提取二阶信息，输出特征向量。
如图4所示，在所有特征提取之后，令特征图的大小为H×W×D，重塑特征图为大小为D×N的矩阵Z，并且N＝H×W。
然后，计算协方差矩阵C如下：
Figure BDA0002376165010000061
其中，zi∈[z1,z2,...,zN]，zi为矩阵Z沿着第二维的第i个列向量，并且
Figure BDA0002376165010000062
但是协方差矩阵C不位于欧式空间，而是位于黎曼流形空间。因此需要通过矩阵对数运算，将协方差矩阵C映射至欧式空间中，同时保留黎曼流形上定义的内在几何关系，具体的将协方差矩阵C映射至欧式空间，得到矩阵F如下：
Figure BDA0002376165010000071
其中，C＝UAUT，A和U分别表示协方差矩阵C的特征值和特征向量，得到的矩阵F为对称矩阵；取矩阵F的上三角数据组成特征向量f输出。
步骤S7、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。
为了防止过拟合，在一实施例中，如图5所示，三层全连接网络包括三个全连接层，三个全连接层中的前两个全连接层使用正规化形式的Dropout方法，最后一个全连接层使用Softmax输出预测分类结果。
本实施例利用主成分分析对高光谱遥感图像进行光谱降维，再使用通道移位和通道加权两种优化方法，以此来增强具有更高光谱信息量的光谱带的重要性，提高了在低训练样本的情况下的分类准确性；并且混合使用3维和2维卷积可充分利用光谱和空间特征信息来获得更多的判别特征，以此充分利用3维卷积和2维卷积的优点，显著提高了分类的准确性。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述基于3维和2维混合卷积的高光谱遥感图像分类方法，包括以下步骤：
步骤S1、获取待分类的高光谱遥感图像；
步骤S2、利用主成分分析法对高光谱遥感图像进行光谱降维；
步骤S3、执行通道移位操作，根据光谱信息量将降维后的高光谱遥感图像中的光谱带沿通道中间向通道两侧由高到低排列；
步骤S4、执行通道加权操作，根据光谱带含有的光谱信息量对光谱带赋予对应的权重；
步骤S5、对光谱带中每个像素点取一个固定空间大小的立方体数据，先利用3维卷积根据立方体数据提取光谱-空间特征，再利用2维卷积对提取的光谱-空间特征进行光谱信息的融合，得到最终的特征图；
步骤S6、采用协方差池化方法，从特征图中提取二阶信息，输出特征向量；
步骤S7、将特征向量输入至三层全连接网络得到针对待分类的高光谱遥感图像的预测分类结果。
2.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述利用主成分分析法对高光谱遥感图像进行光谱降维，包括：
令获取的高光谱遥感图像的大小为W×H×L；
重塑高光谱遥感图像为大小为L×N的输入数据X，并且N＝W×H；
计算输入数据X的协方差矩阵B；
获取输入数据X中最大的k个特征值对应的k个特征向量，并将k个特征向量作为列向量得到投影矩阵P；
建立主成分分析的优化目标函数如下：
Figure FDA0002376162000000011
其中，I是具L×L大小的单位矩阵，tr和T分别表示矩阵的迹和转置操作；
计算优化目标函数，当计算得到L×k大小的P时，主成分分析输出大小为k×L的降维后的高光谱遥感图像Y，Y＝PT×X，则高光谱遥感图像的光谱带尺寸从原始的L减小为k。
3.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述根据光谱带含有的光谱信息量对光谱带赋予对应的权重，包括：
每个光谱带赋予的权重为(1+Ratio)乘以每个通道的特征图，并且Ratio表示降维后每个主成分的方差与总方差的比值。
4.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述3维卷积设置为三层卷积结构，三层卷积结构的卷积核大小分别设置为3×3×7、3×3×5和3×3×3，并且卷积核个数分别设置为8、16和32；
所述2维卷积设置为一层卷积结构，所述2维卷积包括64个大小为3×3的卷积核。
5.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述采用协方差池化方法，从所述特征图中提取二阶信息，输出特征向量，包括：
令特征图的大小为H×W×D；
重塑特征图为大小为D×N的矩阵Z，并且N＝H×W；
计算协方差矩阵C如下：
Figure FDA0002376162000000021
其中，zi∈[z1,z2,...,zN]，zi为矩阵Z沿着第二维的第i个列向量，并且
Figure FDA0002376162000000022
将协方差矩阵C映射至欧式空间，得到矩阵F如下：
Figure FDA0002376162000000023
其中，C＝UAUT，A和U分别表示协方差矩阵C的特征值和特征向量，得到的矩阵F为对称矩阵；
取矩阵F的上三角数据组成特征向量f输出。
6.如权利要求1所述的基于3维和2维混合卷积的高光谱遥感图像分类方法，其特征在于，所述三层全连接网络包括三个全连接层，三个全连接层中的前两个全连接层使用正规化形式的Dropout方法，最后一个全连接层使用Softmax输出预测分类结果。
CN202010066659.2A 2020-01-20 2020-01-20 一种基于3维和2维混合卷积的高光谱遥感图像分类方法 Active CN111310598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010066659.2A CN111310598B (zh) 2020-01-20 2020-01-20 一种基于3维和2维混合卷积的高光谱遥感图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010066659.2A CN111310598B (zh) 2020-01-20 2020-01-20 一种基于3维和2维混合卷积的高光谱遥感图像分类方法

Publications (2)

Publication Number Publication Date
CN111310598A true CN111310598A (zh) 2020-06-19
CN111310598B CN111310598B (zh) 2023-06-20

Family

ID=71144945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010066659.2A Active CN111310598B (zh) 2020-01-20 2020-01-20 一种基于3维和2维混合卷积的高光谱遥感图像分类方法

Country Status (1)

Country Link
CN (1) CN111310598B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783694A (zh) * 2020-07-06 2020-10-16 浙江工业大学 一种基于混合亚像素卷积的高光谱遥感图像分类方法
CN112149747A (zh) * 2020-09-27 2020-12-29 浙江物产信息技术有限公司 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法
CN113111919A (zh) * 2021-03-18 2021-07-13 浙江工业大学 一种基于深度高分辨率的高光谱图像分类方法
CN113537252A (zh) * 2021-08-23 2021-10-22 海南大学 基于空间谱群协方差特征的高光谱图像识别方法及装置
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
CN113850368A (zh) * 2021-09-08 2021-12-28 深圳供电局有限公司 一种适用于边端设备的轻量化卷积神经网络模型
CN114758201A (zh) * 2022-03-24 2022-07-15 长江三峡技术经济发展有限公司 一种高光谱图像分类的视觉转换方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040023406A1 (en) * 2002-07-09 2004-02-05 Schomacker Kevin T. Optimal windows for obtaining optical data for characterization of tissue samples
CN106501465A (zh) * 2016-12-23 2017-03-15 石家庄铁道大学 一种用于检测锚杆锚固质量的检测方法
US20170132496A1 (en) * 2015-11-05 2017-05-11 Microsoft Technology Licensing, Llc Hardware-efficient deep convolutional neural networks
US20180053070A1 (en) * 2016-08-16 2018-02-22 RFNAV, Inc Apparatus and method for single look main lobe and sidelobe discrimination in spectral domain images
US20180350110A1 (en) * 2017-05-31 2018-12-06 Samsung Electronics Co., Ltd. Method and device for processing multi-channel feature map images
US20190012559A1 (en) * 2017-07-06 2019-01-10 Texas Instruments Incorporated Dynamic quantization for deep neural network inference system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040023406A1 (en) * 2002-07-09 2004-02-05 Schomacker Kevin T. Optimal windows for obtaining optical data for characterization of tissue samples
US20170132496A1 (en) * 2015-11-05 2017-05-11 Microsoft Technology Licensing, Llc Hardware-efficient deep convolutional neural networks
US20180053070A1 (en) * 2016-08-16 2018-02-22 RFNAV, Inc Apparatus and method for single look main lobe and sidelobe discrimination in spectral domain images
CN106501465A (zh) * 2016-12-23 2017-03-15 石家庄铁道大学 一种用于检测锚杆锚固质量的检测方法
US20180350110A1 (en) * 2017-05-31 2018-12-06 Samsung Electronics Co., Ltd. Method and device for processing multi-channel feature map images
US20190012559A1 (en) * 2017-07-06 2019-01-10 Texas Instruments Incorporated Dynamic quantization for deep neural network inference system and method

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高荣华: "基于2维滤波的图像定位" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783694A (zh) * 2020-07-06 2020-10-16 浙江工业大学 一种基于混合亚像素卷积的高光谱遥感图像分类方法
CN112149747A (zh) * 2020-09-27 2020-12-29 浙江物产信息技术有限公司 一种基于改良Ghost3D模块和协方差池化的高光谱图像分类方法
CN113111919A (zh) * 2021-03-18 2021-07-13 浙江工业大学 一种基于深度高分辨率的高光谱图像分类方法
CN113111919B (zh) * 2021-03-18 2024-05-03 浙江工业大学 一种基于深度高分辨率的高光谱图像分类方法
CN113537252A (zh) * 2021-08-23 2021-10-22 海南大学 基于空间谱群协方差特征的高光谱图像识别方法及装置
CN113537252B (zh) * 2021-08-23 2022-05-10 海南大学 基于空间谱群协方差特征的高光谱图像识别方法及装置
CN113850368A (zh) * 2021-09-08 2021-12-28 深圳供电局有限公司 一种适用于边端设备的轻量化卷积神经网络模型
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
CN114758201A (zh) * 2022-03-24 2022-07-15 长江三峡技术经济发展有限公司 一种高光谱图像分类的视觉转换方法和系统
CN114758201B (zh) * 2022-03-24 2023-06-23 长江三峡技术经济发展有限公司 一种高光谱图像分类的视觉转换方法和系统

Also Published As

Publication number Publication date
CN111310598B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN111310598B (zh) 一种基于3维和2维混合卷积的高光谱遥感图像分类方法
CN111914907B (zh) 一种基于深度学习空谱联合网络的高光谱图像分类方法
CN111126258B (zh) 图像识别方法及相关装置
CN111523521B (zh) 一种双支路融合多尺度注意神经网络的遥感图像分类方法
CN108491849B (zh) 基于三维稠密连接卷积神经网络的高光谱图像分类方法
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN112418351B (zh) 基于全局与局部上下文感知的零样本学习图像分类方法
CN111191735B (zh) 基于数据差异和多尺度特征的卷积神经网络影像分类方法
CN108388904B (zh) 一种基于卷积神经网络和协方差张量矩阵的降维方法
Faria et al. Fusion of time series representations for plant recognition in phenology studies
CN110807485B (zh) 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法
CN111814685A (zh) 基于双支路卷积自编码器的高光谱图像分类方法
CN113066089B (zh) 一种基于注意力引导机制的实时图像语义分割方法
CN114092833A (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN113449691A (zh) 一种基于非局部注意力机制的人形识别系统及方法
CN115908772A (zh) 一种基于Transformer和融合注意力机制的目标检测方法及系统
CN116012653A (zh) 一种注意力残差单元神经网络高光谱图像分类方法及系统
CN117237808A (zh) 基于odc-yolo网络的遥感图像目标检测方法及系统
CN114821342A (zh) 一种遥感影像道路提取方法及系统
CN116469020A (zh) 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法
CN114612709A (zh) 图像金字塔特征指导的多尺度目标检测方法
Ataş Performance Evaluation of Jaccard-Dice Coefficient on Building Segmentation from High Resolution Satellite Images
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
CN115359304B (zh) 一种面向单幅图像特征分组的因果不变性学习方法及系统
CN111783694A (zh) 一种基于混合亚像素卷积的高光谱遥感图像分类方法

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