CN111339825A - 基于特征关系图谱学习的模型训练方法及数据分类方法 - Google Patents

基于特征关系图谱学习的模型训练方法及数据分类方法 Download PDF

Info

Publication number
CN111339825A
CN111339825A CN202010013802.1A CN202010013802A CN111339825A CN 111339825 A CN111339825 A CN 111339825A CN 202010013802 A CN202010013802 A CN 202010013802A CN 111339825 A CN111339825 A CN 111339825A
Authority
CN
China
Prior art keywords
features
relation
matrix
feature
classification
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
CN202010013802.1A
Other languages
English (en)
Other versions
CN111339825B (zh
Inventor
窦鹏
沈焕锋
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010013802.1A priority Critical patent/CN111339825B/zh
Publication of CN111339825A publication Critical patent/CN111339825A/zh
Application granted granted Critical
Publication of CN111339825B publication Critical patent/CN111339825B/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
    • G06F18/24—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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于特征关系图谱学习的模型训练方法及数据分类方法，对于高维数据中的像素，利用向量记录像素在各个波段上的光谱特征，然后计算向量各元素两两之间的关系值，得到二维特征关系矩阵，之后对该矩阵做分段处理，生成具有多通道的纹理图片。利用卷积神经网络对纹理图片进行特征学习，从中提取隐含在纹理图片中的深层特征。将学习到的特征输入到分类器进行分类，得到当前像素的预测类别，根据所有像素的预测类别实现分类。本发明对特征的描述从一维转换成二维，为每个待分类像素构建图谱，以实现不同类别的区分，使利用原始特征的分类转换成利用二维纹理图片的分类，通过卷积神经网络有效提升分类精度，保证了分类的稳定性和通用性。

Description

基于特征关系图谱学习的模型训练方法及数据分类方法
技术领域
本发明属于遥感技术和人工智能模式识别领域，更具体地，涉及一种基于特征关系图谱学习的模型训练方法及数据分类方法。
背景技术
随着技术的不断进步，遥感卫星对地观测的分辨率在时间，空间和光谱方面得到了长足的发展。尤其在卫星传感器光谱分辨率不断提高的情况下，人类对于地物光谱特征的认知变得更加深入，使得许多隐藏在狭窄观测范围内的地物特征得以发掘，对提高遥感对地观测能力，实行精细化探测起到非常重要的作用。高光谱遥感技术在信息获取方面有着巨大的优势。而利用高光谱影像进行分类，提取土地利用信息，是高光谱遥感影像分析和应用的关键技术之一。
然而，高光谱遥感影像具有高维特性，邻近的波谱之间相关性较高，同时还存在混合像元等因素的影响，这使得高光谱遥感影像分类面临诸如数据冗余、维度灾难、不确定性、地表物质的同物异谱及同谱异物等多方面的挑战，增加了分类的复杂性。使用传统的分类算法，例如最大似然法(Maximum Likelihood，ML)、决策树法(Decision Tree，DT)、最小距离法(Minimum Distance，MD)、支持向量机(Support Vector Machine，SVM)、朴素贝叶斯(Naive Bayes，NB)及人工神经网络(Artificial Neural Network，ANN)等，虽能够从高光谱影像中提取信息，但受高维特征的影响，当分类样本数量有限时，精度会随着特征维度的增加而下降，继而出现维度灾难。鉴于此，从数据本身出发，降低其复杂性，成为改善高光谱分类性能的一个重要途径。
降低高维数据复杂性的方法主要有两类：一类是数据降维，即通过一定的变换方式，例如主成分分析法(Principal component analysis,PCA)将数据的特征转换到较低的维度空间中，该方法能够降低数据的复杂度，但一定程度上会造成部分细节信息的损失；另外一类是特征提取方法，即通过滤波以及深度学习的方法获得新的特征，摆脱原始特征的高维束缚，和原始特征相比，新获得的特征更具抽象性和代表性，因此被广泛用于高光谱遥感影像分类精度的提升。
目前，深度学习被广泛认为是克服维度灾难，提升高光谱遥感影像分类的最有效方式。其中，卷积神经网络最为典型，该类方法通过学习，从空间域和光谱域中获得更加抽象的特征信息，并结合深层神经网络进行分类，通过模拟人类大脑结构来解决更加复杂的分类问题。然而，由于卷积层的滤波特性，在从遥感图像空间域中提取特征时会损失一些细节，例如地物的边界，当地物类型边界比较复杂时，这种损失会对土地利用制图效果产生严重影响。另外，卷积神经网络更侧重从二维空间中提取特征，尽管一些方法将光谱特征和卷积神经网络结合，形成了空谱一体化的深度学习方法，但受到样本的有限性和地物形状变化的不确定性的影响，这类方法的稳定性较差，因此很难被移植和推广。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于特征关系图谱学习的模型训练方法及数据分类方法，以克服现有深度学习方法在高维数据分类中的不足，达到高效、高精度遥感影像分类的目的。
为实现上述目的，按照本发明的一个方面，提供了一种基于特征关系图谱学习的模型训练方法，包括：
(1)对于目标数据H中位于训练样本点集P中的各像素，获得所述像素在各波段上的光谱特征值向量V，其中，所述目标数据H为采用一维数组描述不同特征的数据，所述训练样本点集P为在所述目标数据H中选择的样本点；
(2)计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为所述目标数据H的特征总数，得到大小为n×n的特征关系矩阵R；
(3)将所述特征关系矩阵R切割成s个片段，得到s个特征关系矩阵R1,R2,…,Rs；
(4)将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
(5)利用卷积神经网络的卷积层对所述图片m进行特征学习，得到一个记录了新特征值的向量O；
(6)对于所述训练样本点集P位于所述目标数据H中的各目标样本点对应像素，执行步骤(1)到步骤(5)，得到一个训练集S，利用所述训练集S，训练分类器C，其中，所有目标样本点获得的新特征值向量O构成所述训练集S。
优选地，步骤(2)包括：
由
Figure BDA0002358100470000031
计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为目标数据H的特征总数，得到大小为n×n的特征关系矩阵R，a和b是两个常数，Bandi表示第i个波段，Bandj表示第j个波段。
优选地，步骤(3)包括：
(3.1)判断特征总数n是否为片段数s的整数倍；
(3.2)若特征总数n不是s的整数倍，则从所述目标数据H的原始特征空间中随机抽取若干个特征，并与所述原始特征空间叠加得到新特征空间，其中，所述新特征空间中的特征个数N为片段数s的整数倍；
(3.3)对于所述新特征空间中的每个像素，构建大小为N×N的目标特征关系矩阵R'，并按行列将R'划分成s×s个子矩阵，其中，每个子矩阵大小为(N/s)×(N/s)；
(3.4)取所述目标特征关系矩阵R'对角线穿过的子矩阵R1'，R2'，…，Rs′。
优选地，步骤(4)包括：
将R1'，R2'，…，Rs'分别转换成灰度图像m1'，m2'，…，ms'，合成具有s个通道的图片m。
优选地，所述片段数s的取值范围为1～4。
按照本发明的另一个方面，提供了一种基于特征关系图谱学习的数据分类方法，包括：
(1)对于待分类数据H中的各像素，获得所述像素在各波段上的光谱特征值向量V，其中，所述待分类数据H为采用一维数组描述不同特征的数据；
(2)计算V中所有元素两两之间的关系值rij，其中，i＝0,1,2,…,n，j＝0,1,2,…,n，n为所述目标数据H的特征总数，得到大小为n×n的特征关系矩阵R；
(3)将所述特征关系矩阵R切割成s个片段，得到s个特征关系矩阵R1,R2,…,Rs；
(4)将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
(5)利用卷积神经网络的卷积层对所述图片m进行特征学习，得到一个记录了新特征值的向量O；
(6)将所述新特征值的向量O输入到训练好的分类器C中，由分类器C预测当前像素的类别属性；
(7)基于预测的所述待分类数据H中所有像素的类别属性，完成对所述待分类数据H的分类。
优选地，步骤(2)包括：
由
Figure BDA0002358100470000051
计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为目标数据H的特征总数，得到大小为n×n的特征关系矩阵R，a和b是两个常数，Bandi表示第i个波段，Bandj表示第j个波段。
优选地，步骤(3)包括：
(3.1)判断特征总数n是否为片段数s的整数倍；
(3.2)若特征总数n不是片段数s的整数倍，则从所述待分类数据H的原始特征空间中随机抽取若干个特征，并与所述原始特征空间叠加得到新特征空间，其中，所述新特征空间中的特征个数N为片段数s的整数倍；
(3.3)对于所述新特征空间中的每个像素，构建大小为N×N的目标特征关系矩阵R'，并按行列将R'划分成s×s个子矩阵，其中，每个子矩阵大小为(N/s)×(N/s)；
(3.4)取所述目标特征关系矩阵R'对角线穿过的子矩阵R1'，R2'，…，Rs′。
优选地，步骤(4)包括：
将R1'，R2'，…，Rs'分别转换成灰度图像m1'，m2'，…，ms'，合成具有s个通道的图片m。
所述片段数s的取值范围为1～4。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
以高光谱遥感图像为例，首先针对每一个像素，利用一个向量记录像素在各个波段上的光谱特征，然后利用归一化指数计算向量各元素两两之间的关系值，得到一个二维的特征关系矩阵，之后对该矩阵做分段处理，生成一副具有多通道的纹理图片，是为特征关系图谱。在此基础上，利用卷积神经网络对特征关系图谱进行特征学习，提取隐含在特征关系图谱中的深层特征。之后，将学习到的特征输入分类器进行分类，得到当前像素的预测类别。对每个像素进行相同操作，最终实现基于特征关系图谱学习的分类。该发明将现有机器学习方法中对特征的描述从一维转换成二维，为每个待分类实体构建图谱，以实现不同类别的区分，使利用原始特征的分类转换成利用二维纹理图片的分类，最终通过卷积神经网络的深度学习方法有效提升分类精度，保证分类模型的稳定性和通用性。
附图说明
图1是本发明实施例提供的一种基于特征关系图谱学习的模型训练原理图；
图2是本发明实施例提供的一种利用特征关系图谱学习的模型进行分类的原理图；
图3是本发明实施例提供的一种将征关系矩阵R切割成s个关系矩阵的具体过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，以高光谱遥感影像数据为例说明本发明的具体操作步骤，应当理解，本发明不限于高光谱遥感影像数据，还可以用于其它数据的训练，具体步骤如下：
(1)模型训练过程：
首先，在高光谱遥感影像上选择样本点，构建训练样本点集P，其中，训练样本点集P中的数据能够反映样本点位置的坐标对或索引值；构建卷积神经网络框架COV；输入高光谱遥感影像H；
然后，针对H位于P处的每一个像素执行如下操作：
步骤1：针对每一个像素，获得能够表达各波段光谱特征值的向量V；
步骤2：利用归一化指数，计算V中所有元素两两之间的关系值rij(i＝1,2,…,n；j＝1,2,…,n；n为遥感影像的波段数亦既特征总数),得到大小为n×n的特征关系矩阵R；
步骤3：将特征关系矩阵R切割成s个片段(优选地，s的取值范围为1～4)，得到s个特征关系矩阵R1,R2,…,Rs；
步骤4：将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
步骤5：利用COV的卷积层对图片m进行特征学习，得到一个记录了新特征值的向量O；
步骤6：针对P位于H中的目标样本点对应像素，执行步骤1至步骤5，得到一个训练集S，最后，利用训练集S，训练分类器C，从而完成模型的训练过程，其中，所有目标样本点获得的新特征值向量O构成训练集S。
在本发明实施例中，分类对象除高光谱遥感影像外，还包括其他多波段遥感影像，以及由一维数组来描述不同特征的其他数据，具体地，H可以为任意类型的高光谱影像、其他类型的多波段遥感影像，以及其他任何由一维数组来描述不同特征的高维数据集，本发明实施例不做唯一性限定。。
在本发明实施例中，构建特征关系图谱的方法除采用归一化指数方法外，还包括线性函数，指数函数，对数函数等任何能够将原始特征映射成二维纹理图像的方法，具体采用何种方式，本发明实施例不做唯一性限定。
在本发明实施例中，构建分类器的方法包括全连接网络、深度置信网络、随机森林、支持向量机、朴素贝叶斯、K最近邻、Logistic回归、最小距离法、最大期望法、最大似然法、马氏距离法等任何监督分类方法，具体采用何种方式，本发明实施例不做唯一性限定。
(2)如图2所示，分类过程如下：
针对待分类高光谱遥感影像H中的每个像素，基于上述训练好的模型执行如下操作：
步骤1：针对像素x，获得能够表达各波段光谱特征值的向量V；
步骤2：利用归一化指数，计算V中所有元素两两之间的关系值rij(i＝1,2,…,n；i＝1,2,…,n；n为遥感影像的波段数亦既特征总数),得到大小为n×n的特征关系矩阵R；
步骤3：将特征关系矩阵R切割成s个片段(优选地，建议s的取值范围为1～4)，得到s个特征关系矩阵R1,R2,…,Rs；
步骤4：将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
步骤5：利用COV的卷积层对图片m进行特征学习，得到一个记录了新特征值的向量O；
步骤6：将新特征O输入到分类器C中，由C输出当前像素x可能的类别属性；
步骤7：对H中的所有像素，执行步骤1至步骤6的操作，获得每个像素的类别属性，最终完成对待分类高光谱影像H的分类。
上述模型训练和影像H的分类过程中，每个像素对应的特征关系矩阵R需切割成s个关系矩阵，过程如图3所示。具体执行过程如下：
首先，判断特征个数n是否为片段数s的整数倍，如果不是则从H的原始特征空间中随机抽取若干个特征，并与原始特征空间叠加，使得到的最终特征的个数N为s的整数倍；然后在新特征空间基础上，针对每一个像素，构建大小为N×N的特征关系矩阵R，并按行列将R划分成s×s个子矩阵，每个矩阵大小为(N/s)×(N/s)，然后取关系矩阵R对角线穿过的子矩阵，R1，R2，…，Rs，并将R1，R2，…，Rs分别转换成灰度图像m1,m2,…,ms,合成具有s个通道的图片m。
当然，本发明实施例中针对的对象不止高光谱一种，还可以是多光谱遥感影像，以及其他任何由一维数组来描述不同特征的高维数据集。另外，特征关系图谱的构建方法不止可使用归一化指数，还可以使用各种函数，以及其他变换方式等。
本发明充分利用高光谱影像的光谱特征，构建特征关系图谱，实现了基于特征关系图谱学习的分类方法，达到了从特征关系中挖掘深层特征，进而实行高效、稳健、高精度的分类目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于特征关系图谱学习的模型训练方法，其特征在于，包括：
(1)对于目标数据H中位于训练样本点集P中的各像素，获得所述像素在各波段上的光谱特征值向量V，其中，所述目标数据H为采用一维数组描述不同特征的数据，所述训练样本点集P为在所述目标数据H中选择的样本点；
(2)计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为所述目标数据H的特征总数，得到大小为n×n的特征关系矩阵R；
(3)将所述特征关系矩阵R切割成s个片段，得到s个特征关系矩阵R1,R2,…,Rs；
(4)将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
(5)利用卷积神经网络的卷积层对所述图片m进行特征学习，得到一个记录了新特征值的向量O；
(6)对于所述训练样本点集P位于所述目标数据H中的各目标样本点对应像素，执行步骤(1)到步骤(5)，得到一个训练集S，利用所述训练集S，训练分类器C，其中，所有目标样本点获得的新特征值向量O构成所述训练集S。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
由
Figure FDA0002358100460000011
计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为目标数据H的特征总数，得到大小为n×n的特征关系矩阵R，a和b是两个常数，Bandi表示第i个波段，Bandj表示第j个波段。
3.根据权利要求1或2所述的方法，其特征在于，步骤(3)包括：
(3.1)判断特征总数n是否为片段数s的整数倍；
(3.2)若特征总数n不是片段数s的整数倍，则从所述目标数据H的原始特征空间中随机抽取若干个特征，并与所述原始特征空间叠加得到新特征空间，其中，所述新特征空间中的特征个数N为片段数s的整数倍；
(3.3)对于所述新特征空间中的每个像素，构建大小为N×N的目标特征关系矩阵R'，并按行列将R'划分成s×s个子矩阵，其中，每个子矩阵大小为(N/s)×(N/s)；
(3.4)取所述目标特征关系矩阵R'对角线穿过的子矩阵R1'，R2'，…，'Rs。
4.根据权利要求3所述的方法，其特征在于，步骤(4)包括：
将R1'，R2'，…，Rs'分别转换成灰度图像m1'，m2'，…，ms'，合成具有s个通道的图片m。
5.根据权利要求3所述的方法，其特征在于，所述片段数s的取值范围为1～4。
6.一种基于特征关系图谱学习的数据分类方法，其特征在于，包括：
(1)对于待分类数据H中的各像素，获得所述像素在各波段上的光谱特征值向量V，其中，所述待分类数据H为采用一维数组描述不同特征的数据；
(2)计算V中所有元素两两之间的关系值rij，其中，i＝0,1,2,…,n，j＝0,1,2,…,n，n为所述目标数据H的特征总数，得到大小为n×n的特征关系矩阵R；
(3)将所述特征关系矩阵R切割成s个片段，得到s个特征关系矩阵R1,R2,…,Rs；
(4)将R1,R2,…,Rs分别转换成灰度图m1,m2,…,ms,再将m1,m2,…,ms合成具有s个通道的图片m；
(5)利用卷积神经网络的卷积层对所述图片m进行特征学习，得到一个记录了新特征值的向量O；
(6)将所述新特征值的向量O输入到训练好的分类器C中，由分类器C预测当前像素的类别属性；
(7)基于预测的所述待分类数据H中所有像素的类别属性，完成对所述待分类数据H的分类。
7.根据权利要求6所述的方法，其特征在于，步骤(2)包括：
由
Figure FDA0002358100460000031
计算V中所有元素两两之间的关系值rij，其中，i＝1,2,…,n，j＝1,2,…,n，n为目标数据H的特征总数，得到大小为n×n的特征关系矩阵R，a和b是两个常数，Bandi表示第i个波段，Bandj表示第j个波段。
8.根据权利要求6或7所述的方法，其特征在于，步骤(3)包括：
(3.1)判断特征总数n是否为片段数s的整数倍；
(3.2)若特征总数n不是s的整数倍，则从所述待分类数据H的原始特征空间中随机抽取若干个特征，并与所述原始特征空间叠加得到新特征空间，其中，所述新特征空间中的特征个数N为片段数s的整数倍；
(3.3)对于所述新特征空间中的每个像素，构建大小为N×N的目标特征关系矩阵R'，并按行列将R'划分成s×s个子矩阵，其中，每个子矩阵大小为(N/s)×(N/s)；
(3.4)取所述目标特征关系矩阵R'对角线穿过的子矩阵R1'，R2'，…，'Rs。
9.根据权利要求8所述的方法，其特征在于，步骤(4)包括：
将R1'，R2'，…，Rs'分别转换成灰度图像m1'，m2'，…，ms'，合成具有s个通道的图片m。
10.根据权利要求8所述的方法，其特征在于，所述片段数s的取值范围为1～4。
CN202010013802.1A 2020-01-07 2020-01-07 基于特征关系图谱学习的模型训练方法及数据分类方法 Active CN111339825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013802.1A CN111339825B (zh) 2020-01-07 2020-01-07 基于特征关系图谱学习的模型训练方法及数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013802.1A CN111339825B (zh) 2020-01-07 2020-01-07 基于特征关系图谱学习的模型训练方法及数据分类方法

Publications (2)

Publication Number Publication Date
CN111339825A true CN111339825A (zh) 2020-06-26
CN111339825B CN111339825B (zh) 2022-04-15

Family

ID=71185154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013802.1A Active CN111339825B (zh) 2020-01-07 2020-01-07 基于特征关系图谱学习的模型训练方法及数据分类方法

Country Status (1)

Country Link
CN (1) CN111339825B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN108091397A (zh) * 2018-01-24 2018-05-29 浙江大学 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法
US20190087726A1 (en) * 2017-08-30 2019-03-21 The Board Of Regents Of The University Of Texas System Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
CN109902763A (zh) * 2019-03-19 2019-06-18 北京字节跳动网络技术有限公司 用于生成特征图的方法和装置
CN110472682A (zh) * 2019-08-13 2019-11-19 辽宁工程技术大学 一种顾及空间和局部特征的高光谱遥感影像分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101847258A (zh) * 2009-03-26 2010-09-29 陈贤巧 一种光学遥感图像配准方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
US20190087726A1 (en) * 2017-08-30 2019-03-21 The Board Of Regents Of The University Of Texas System Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications
CN108091397A (zh) * 2018-01-24 2018-05-29 浙江大学 一种基于提升-重采样和特征关联分析的缺血性心脏病患者的出血事件预测方法
CN109902763A (zh) * 2019-03-19 2019-06-18 北京字节跳动网络技术有限公司 用于生成特征图的方法和装置
CN110472682A (zh) * 2019-08-13 2019-11-19 辽宁工程技术大学 一种顾及空间和局部特征的高光谱遥感影像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUEBIN WANG 等: "Feature relationship graph", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
周晴红: "基于红外图谱库的电力故障诊断系统设计研究", 《电脑知识与技术》 *

Also Published As

Publication number Publication date
CN111339825B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
Song et al. A survey of remote sensing image classification based on CNNs
CN107358260B (zh) 一种基于表面波cnn的多光谱图像分类方法
He et al. A dual global–local attention network for hyperspectral band selection
CN108764316A (zh) 基于深度卷积神经网络和多核学习的遥感图像场景分类方法
CN110728192A (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
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
CN107133496B (zh) 基于流形学习与闭环深度卷积双网络模型的基因特征提取方法
CN108229551B (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN111783884B (zh) 基于深度学习的无监督高光谱图像分类方法
CN113139512B (zh) 基于残差和注意力的深度网络高光谱影像分类方法
CN107590515A (zh) 基于熵率超像素分割的自编码器的高光谱图像分类方法
CN113723255A (zh) 一种高光谱影像分类方法和存储介质
He et al. Multi-spectral remote sensing land-cover classification based on deep learning methods
CN112949416A (zh) 一种监督的高光谱多尺度图卷积分类方法
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
CN113673556B (zh) 一种基于多尺度密集卷积网络的高光谱图像分类方法
Rajendran et al. Hyperspectral image classification model using squeeze and excitation network with deep learning
Shi et al. Deep generative model for spatial–spectral unmixing with multiple endmember priors
CN114937173A (zh) 一种基于动态图卷积网络的高光谱图像快速分类方法
CN109344777A (zh) 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法
CN113139515A (zh) 基于条件随机场和深度特征学习的高光谱图像分类方法
CN114528918B (zh) 一种基于二维卷积和lstm的高光谱图像分类方法及系统
CN116912550A (zh) 一种基于地物依赖关系的异构卷积网络遥感影像土地利用并行分类方法
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
GR01 Patent grant
GR01 Patent grant