CN111414942B - 一种基于主动学习和卷积神经网络的遥感图像分类方法 - Google Patents
一种基于主动学习和卷积神经网络的遥感图像分类方法 Download PDFInfo
- Publication number
- CN111414942B CN111414942B CN202010149956.3A CN202010149956A CN111414942B CN 111414942 B CN111414942 B CN 111414942B CN 202010149956 A CN202010149956 A CN 202010149956A CN 111414942 B CN111414942 B CN 111414942B
- Authority
- CN
- China
- Prior art keywords
- samples
- remote sensing
- neural network
- convolutional neural
- training
- 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
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
- 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
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 Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种基于主动学习和卷积神经网络的遥感图像分类方法,该方法包括:通过主成分分析方法对高光谱遥感图像进行波段处理,随后将图像处理成块。将数据按照一定比例分为训练集、未标记样本集、验证集和测试集。使用训练集对卷积神经网络进行训练,对未标记样本集中样本的所属类别进行预测,引入主动学习对样本进行评估。然后将其评估的结果进行排序,挑选出其中置信度低的样本,专家赋予其标签,对于置信度高的样本计算机自动赋予其标签。通过调节预测标签系数来构建高质量的训练样本集,使用挑选出的训练样本集迭代优化分类器模型。满足停止条件便停止迭代,输出最终的分类结果。
Description
技术领域
本发明属于遥感图像分类的领域。具体涉及一种基于卷积神经网络,引入主动学习挑选出置信度低的样本,专家赋予其标签,挑选出置信度高的样本,计算机自动赋予其标签,并通过调节预测标签系数来构建高质量的样本集,进一步通过分类器模型进行高光谱遥感图像分类的方法。
背景技术
遥感图像分类是目前遥感技术中的热门研究内容,遥感图像分类是将图像中的每个像素判定为其所属的地物类别,因此,研究遥感图像分类技术具有很大的价值。遥感图像应用十分广泛,可以应用于农业、环境监测、军事等领域。如何准确高效地进行遥感图像分类,已经成为遥感领域的一个重要的研究内容。
近年来,随着深度学习的发展,深度学习模型已经被逐渐应用于遥感图像分类,并表现出了很好的分类效果。已经有学者将稀疏自编码器、深度信念网络应用于遥感图像分类。然而,这两种分类方法需要将数据处理成一维向量输入模型,因此,无法提取图像的空间信息。而且,这两种无监督模型不需要标签样本的参与,并且需要大量的参数,使得该方法缺乏一定的可靠性。
卷积神经网络作为监督学习的方法,近年来在深度学习领域取得了令人兴奋的分类效果。依靠充足的标签样本,卷积神经网络可以直接从像元中提取出特征。而且,由于卷积神经网络具有稀疏连接、权值共享等特点,使得卷积神经网络需要较少的参数便能提取图像的光谱与空间信息。然而,卷积神经网络属于监督分类方法,需要大量的标记样本才能达到较高的分类精度,而标签样本的获取不仅费时费力还十分昂贵。目前,将卷积神经网络应用于遥感图像分类只关注于随机初始化训练集进行模型的训练,很少有学者考虑构建高质量的训练集。因此,如何利用更少的标签样本来达到较高的分类精度是目前需要解决的问题。主动学习是机器学习领域的一个热门研究问题,通过主动学习可以减少训练集的数量,提高训练集的质量。
发明内容
本发明旨在解决以上现有技术的问题。本发明引入了主动学习算法来挑选有价值的样本进行标注,构建高质量的训练集。首先,初始化少量的标记样本,作为训练集建立初始分类器模型。根据采样策略从未标记样本集中找出最有价值(比如信息量最大)的样本。然后,专家给挑选出的样本赋予标签,并将其从未标记样本集中移除,加入到训练集中,用于训练分类器。主动学习是一个迭代的过程,直到它达到停止准则才停止迭代。
因此本发明提出了一种基于主动学习和卷积神经网络的遥感图像分类方法,在卷积神经网络中引入主动学习算法,挑选出置信度低的样本,专家赋予其标签,挑选出置信度高的样本,计算机自动赋予其标签,通过调节预测标签系数构建高质量的样本集,通过卷积层的卷积运算增强原始数据的特性,在池化层中进行下采样操作,以减少数据量并保留有用的信息。经过卷积、池化等操作提取数据的深层特征,进而进行高光谱遥感图像分类。
鉴于此,本发明采用的技术方案如下,一种基于主动学习和卷积神经网络的遥感图像分类方法,包括以下步骤:
步骤S1,对高光谱遥感图像数据进行主成分分析,并将其处理成数据块的形式。
步骤S2,将步骤S1处理后的数据分为训练集、未标记样本集、验证集和测试集。
步骤S3,将训练集输入卷积神经网络中进行训练,并对未标记样本集中样本的所属类别进行预测。
步骤S4,使用主动学习对未标记样本集中的样本进行评估,并对样本的置信度进行排序,根据初始预测标签系数挑选出置信度低的样本,同时挑选出置信度高的样本。
步骤S5,分别对置信度低的样本和置信度高的样本赋予标签,然后将其加入训练集,同时将其从未标记样本集中移除。
步骤S6,调节预测标签系数,重复步骤S3-S5,直到满足停止条件便停止迭代。
步骤S7,将得到的训练集输入卷积神经网络中进行模型的训练。
步骤S8,使用步骤S7训练好的模型对遥感图像进行分类。
本发明的优点及有益效果如下:
在遥感图像分类领域中,目前大多数使用卷积神经网络对高光谱遥感图像进行分类。然而,卷积神经网络往往需要大量的标签样本进行训练,才能取得较好的分类结果。在实际应用中,高光谱遥感图像标签样本的获得往往费时费力,而且十分的昂贵。针对标签样本获取困难的问题,将主动学习引入卷积神经网络中进行研究是很有意义的。首先考虑到了高光谱遥感图像丰富的光谱特性,由于光谱波段间的相关性强,容易造成信息冗余、维数灾难等问题,本发明对高光谱遥感图像进行了降维操作,使用主成分分析方法对其进行了处理。为了提取高光谱遥感图像的光谱空间特征,本发明使用了三维卷积神经网络。将高光谱遥感图像处理成了图像块,块的中心像素的标签即为该块的标签。然后根据卷积神经网络的输出机制,利用主动学习的采样策略对未标记样本的价值进行评估。通过挑选出有价值的样本,赋予其标签后加入样本集中对分类器模型进行训练。这样可以改善样本的质量,提升分类效果。
除此之外,目前应用于高光谱遥感图像分类中的主动学习算法并没有将未标记样本充分利用起来。往往只挑选出了信息量大的样本进行人工标注,忽略了置信度高的样本。本发明在将主动学习引入卷积神经网络进行高光谱遥感图像分类的过程中,不仅评估出了置信度低的未标记样本,还评估了置信度高的未标记样本。对于置信度低的未标记样本,专家赋予其标签;对于置信度高的未标记样本,计算机代替专家赋予其预测标签。这样不仅充分利用了大量的未标记样本,而且可以减少人工标注成本。
另外,本发明设计了一个预测标签系数,通过调节预测标签系数来构建高质量的训练样本集。这里的预测标签系数指的是自动标注样本量与每次迭代标记样本总量之比。一开始训练样本量较少,此时并不能很好地对卷积神经网络进行训练,对未标记样本置信度评估的可信度并不高。因此,一开始我们的预测标签系数较小,可以从0开始。当预测标签为0时表示挑选出的未标记样本全部由专家进行标注。随着迭代次数的增加,分类模型的训练能力得到了提高,对未标记样本置信度评估的可信度增强。此时,预测标签系数也随之增大。即专家标记样本量减少,计算机自动赋予未标记样本标签的数量增多,如此可以进一步减少人工标注成本。
附图说明
图1是本发明提供优选实施例在高光谱遥感图像中基于主动学习和卷积神经网络进行分类的方法流程图。
具体实施方式
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、详细地描述。所描述的实施例仅是本发明的一部分实施例。
参见图1,本发明的具体步骤为:
(1)根据需求获取高光谱遥感数据;
(2)对高光谱遥感数据进行主成分分析,并将其处理成数据块的形式;
(3)按照一定比例将数据分为训练集、未标记样本集、验证集和测试集;
(4)将训练样本输入卷积神经网络中进行训练,并对未标记样本集中样本的所属类别进行预测;
(5)使用主动学习对未标记样本集中的样本进行评估,并对样本的置信度进行排序,根据预测标签系数分别挑选出置信度高的样本和置信度低的样本;
(6)对挑选出的置信度低的样本,专家赋予其标签,对挑选出的置信度高的样本,计算机自动赋予其标签,然后将标签样本加入训练集中进行模型的训练;
(7)调节预测标签系数,重复步骤(4)-(6),直到满足停止条件便停止迭代;
(8)将选择好的训练样本输入卷积神经网络中对模型进行训练;
(9)使用训练好的模型对遥感图像进行分类。
以上所述步骤(1)的高光谱遥感数据是从某些专业网站购买或下载获得。
进一步的,以上所述步骤(2)是对高光谱图像进行主成分分析,保留信息量较高的波段。高光谱图像光谱波段数量众多,波段间存在信息冗余,并且需要消耗大量的计算资源,为了提高分类效率,特此使用主成分分析对高光谱图像进行处理。然后将图像处理成19×19×n的块(n表示降维后的波段数),块的中心像素的标签即为该块的标签
进一步的,以上所述步骤(3)按照一定比例将数据分为训练集、未标记样本集、验证集和测试集(训练集+未标记样本集占全部样本的50%,验证集+测试集占全部样本的50%。其中每个类初始化5个样本作为训练集,其余为未标记样本集;验证集占5%,测试集占95%),值得注意的是,训练集、未标记样本集、测试集和验证集不能有交集。
进一步的,以上所述步骤(4)将带有标签的训练样本输入卷积神经网络(一个输入层,两个卷积层,两个池化层,两个全连接层,采用ReLU作为激活函数,全连接层使用Softmax函数,并引入Dropout技术)中进行训练,使用训练了的模型对未标记样本的所属类别进行预测,根据卷积神经网络的输出机制,输出各类别的概率值。
进一步的,以上所述步骤(5)通过主动学习的采样策略(本发明使用BvSB(Best vsSecond-Best)采样策略)对未标记样本的置信度进行评估,通过公式
计算样本所属类别的最大概率和第二大概率之差,按照升序排列,差值越小的证明样本的置信度越低,挑选出置信度低的N1个样本,同时挑选出置信度高的N2个样本。式中,U表示未标记样本集,P(yBest|xi)和P(ySecond-Best|xi)分别表示该样本所属最优类别和所属次优类别的概率。预测标签系数用来表示自动标注样本量与每次迭代标记样本总量之比,它被表示为
初始预测标签系数R=0.1,0≤R<10,每次迭代挑选出N个样本,N=N1+N2。
进一步的,以上所述步骤(6)对挑选出的N1个置信度低的未标记样本,专家赋予标签,对挑选出的N2个置信度高的未标记样本,计算机代替专家赋予其预测标签(即由计算机寻找块的中心像素),然后将它们从未标记样本集中移除,同时加入训练集中,然后对分类模型进行训练。
进一步的,以上所述步骤(7)调节预测标签系数R。
N1=N×P1-e,N1>0
N2=N×(1-P1)+e,N2>0
其中,P1为一个初始概率值,0<P1<1,e为自然数。随着迭代次数的增加,N1逐渐变小,N2逐渐变大,R逐渐变大,整个过程越来越智能化,人工标注成本逐渐降低。将训练好的分类器模型继续对未标记样本集进行预测,利用主动学习对未标记样本的置信度进行评估,按照步骤(5)的公式计算样本所属类别的最大概率和第二大概率之差,按照升序排列,差值越小的证明样本的置信度越低,挑选出置信度低的N1个样本,专家对其赋予标签,挑选出置信度高的N2个样本,计算机自动赋予其标签,同时将它们从未标记样本集中移除,加入标记训练集中,然后再对分类器模型进行训练。如此这般迭代下去,当迭代次数满足设定值时,停止迭代。
进一步的,以上所述步骤(8)具体步骤是将标记样本输入前面设计好的卷积神经网络中,利用三维卷积核提取数据的特征,充分提取高光谱数据的光谱空间信息,从而进行卷积神经网络模型的训练。
进一步的,以上所述步骤(9)用训练好的卷积神经网络模型对高光谱遥感图像进行分类,输出分类专题图。
以上这些实例应理解为仅用于解释本发明而不用于限制本发明的保护范围。依据本发明所作的各种改动或修改这类等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于主动学习和卷积神经网络的遥感图像分类方法,其特征在于,包括以下步骤:
步骤S1,对高光谱遥感图像数据进行主成分分析,并将其处理成数据块的形式;
步骤S2,将步骤S1处理后的数据分为训练集、未标记样本集、验证集和测试集;
步骤S3,将训练集输入卷积神经网络中进行训练,并对未标记样本集中样本的所属类别进行预测;
步骤S4,使用主动学习对未标记样本集中的样本进行评估,并对样本的置信度进行排序,根据初始预测标签系数挑选出置信度低的样本,同时挑选出置信度高的样本,所述预测标签系数用来表示自动标注样本量与每次迭代标记样本总量之比,它被表示为
R为预测标签系数,N=N1+N2;
步骤S5,分别对置信度低的样本和置信度高的样本赋予标签,对于置信度低的样本采用专家赋予标签,对于置信度高的样本采用自动标注标签,然后将其加入训练集,同时将其从未标记样本集中移除;
步骤S6,调节预测标签系数,重复步骤S3-S5,直到满足停止条件便停止迭代,所述调节预测标签系数的方法为:
N1=N×P1-e,N1>0
N2=N×(1-P1)+e,N2>0
其中,P1为一个初始概率值,0<P1<1,e为自然数;
步骤S7,将得到的训练集输入卷积神经网络中进行模型的训练;
步骤S8,使用步骤S7训练好的模型对遥感图像进行分类。
2.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法,其特征在于:所述对高光谱遥感图像数据进行主成分分析,保留了信息量高的波段,然后将图像处理成块,块的中心像素的标签即为该块的标签。
3.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法,其特征在于:所述训练集、未标记样本集、验证集和测试集的划分:训练集+未标记样本集占全部样本的50%,验证集+测试集占全部样本的50%,其中每个类初始化5个样本作为训练集,其余为未标记样本集,验证集占5%,测试集占95%。
4.根据权利要求1所述一种基于主动学习和卷积神经网络的遥感图像分类方法,其特征在于:所述步骤S3中的卷积神经网络具有一个输入层,两个卷积层,两个池化层,两个全连接层,采用ReLU作为激活函数,全连接层使用Softmax函数,并引入Dropout技术,进行模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149956.3A CN111414942B (zh) | 2020-03-06 | 2020-03-06 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149956.3A CN111414942B (zh) | 2020-03-06 | 2020-03-06 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414942A CN111414942A (zh) | 2020-07-14 |
CN111414942B true CN111414942B (zh) | 2022-05-03 |
Family
ID=71494232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010149956.3A Active CN111414942B (zh) | 2020-03-06 | 2020-03-06 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414942B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967015B (zh) * | 2020-07-24 | 2022-04-12 | 复旦大学 | 一种提升分布式学习系统拜占庭鲁棒性的防御代理方法 |
CN112101156A (zh) * | 2020-09-02 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 一种目标识别的方法、装置和电子设备 |
CN112257603B (zh) * | 2020-10-23 | 2022-06-17 | 深圳大学 | 高光谱图像分类方法及相关设备 |
CN113468939A (zh) * | 2020-11-30 | 2021-10-01 | 电子科技大学 | 一种基于监督最小化深度学习模型的sar目标识别方法 |
CN112434628B (zh) * | 2020-11-30 | 2023-06-16 | 西安理工大学 | 基于主动学习和协同表示的小样本图像分类方法 |
CN112560960A (zh) * | 2020-12-16 | 2021-03-26 | 北京影谱科技股份有限公司 | 一种高光谱图像分类方法、装置以及计算设备 |
CN112733736A (zh) * | 2021-01-13 | 2021-04-30 | 西安电子科技大学 | 基于增强过采样的类别不平衡高光谱图像分类方法 |
CN112784818B (zh) * | 2021-03-03 | 2023-03-14 | 电子科技大学 | 基于分组式主动学习在光学遥感图像上的识别方法 |
CN113111774B (zh) * | 2021-04-12 | 2022-10-28 | 哈尔滨工程大学 | 一种基于主动增量式微调的雷达信号调制方式识别方法 |
CN113505821B (zh) * | 2021-06-29 | 2022-09-27 | 重庆邮电大学 | 一种基于样本可信度的深度神经网络图像识别方法及系统 |
CN113569660B (zh) * | 2021-07-06 | 2024-03-26 | 河海大学 | 一种用于高光谱影像分类的学习率优化算法折扣系数法 |
CN113610766A (zh) * | 2021-07-12 | 2021-11-05 | 北京阅视智能技术有限责任公司 | 显微图像分析方法、装置、存储介质及电子设备 |
CN113723467A (zh) * | 2021-08-05 | 2021-11-30 | 武汉精创电子技术有限公司 | 用于缺陷检测的样本收集方法、装置和设备 |
CN113569490A (zh) * | 2021-08-06 | 2021-10-29 | 上海市第一人民医院 | 一种基于深度学习网络的无标签数据增强方法 |
CN113933248A (zh) * | 2021-10-12 | 2022-01-14 | 广东省科学院智能制造研究所 | 一种高光谱在线检测系统及方法 |
CN113951868B (zh) * | 2021-10-29 | 2024-04-09 | 北京富通东方科技有限公司 | 机械通气患者人机不同步检测方法及装置 |
CN115063692B (zh) * | 2022-07-06 | 2024-02-27 | 西北工业大学 | 一种基于主动学习的遥感图像场景分类方法 |
CN115564960B (zh) * | 2022-11-10 | 2023-03-03 | 南京码极客科技有限公司 | 一种样本选择与标签校正结合的网络图像标签去噪方法 |
CN116721278B (zh) * | 2023-05-11 | 2024-01-09 | 大连民族大学 | 基于胶囊网络的高光谱图像协同主动学习分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617435A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习图像分类方法和系统 |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
CN109447151A (zh) * | 2018-10-26 | 2019-03-08 | 成都国星宇航科技有限公司 | 一种基于深度学习的遥感数据分析方法 |
CN109784392A (zh) * | 2019-01-07 | 2019-05-21 | 华南理工大学 | 一种基于综合置信的高光谱图像半监督分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110249365B (zh) * | 2017-11-10 | 2023-05-30 | 上海联影医疗科技股份有限公司 | 用于图像重建的系统和方法 |
-
2020
- 2020-03-06 CN CN202010149956.3A patent/CN111414942B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617435A (zh) * | 2013-12-16 | 2014-03-05 | 苏州大学 | 一种主动学习图像分类方法和系统 |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
CN109447151A (zh) * | 2018-10-26 | 2019-03-08 | 成都国星宇航科技有限公司 | 一种基于深度学习的遥感数据分析方法 |
CN109784392A (zh) * | 2019-01-07 | 2019-05-21 | 华南理工大学 | 一种基于综合置信的高光谱图像半监督分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111414942A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN110516596B (zh) | 基于Octave卷积的空谱注意力高光谱图像分类方法 | |
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
Yang et al. | A survey of DNN methods for blind image quality assessment | |
CN110197205B (zh) | 一种多特征来源残差网络的图像识别方法 | |
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 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
CN113159051A (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN103984959A (zh) | 一种基于数据与任务驱动的图像分类方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN111046900A (zh) | 基于局部流形正则化的半监督生成对抗网络图像分类方法 | |
CN109598711B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
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 | |
CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN111738052B (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
CN110837865A (zh) | 一种基于表示学习和迁移学习的领域适配方法 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN107451562A (zh) | 一种基于混沌二进制引力搜索算法的波段选择方法 | |
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 | |
CN114998602A (zh) | 基于低置信度样本对比损失的域适应学习方法及系统 | |
CN111639697A (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 |