CN111667019A - 基于可变形分离卷积的高光谱图像分类方法 - Google Patents
基于可变形分离卷积的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN111667019A CN111667019A CN202010581348.XA CN202010581348A CN111667019A CN 111667019 A CN111667019 A CN 111667019A CN 202010581348 A CN202010581348 A CN 202010581348A CN 111667019 A CN111667019 A CN 111667019A
- Authority
- CN
- China
- Prior art keywords
- convolution
- hyperspectral image
- deformable
- image
- hyperspectral
- 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
Links
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
基于可变形分离卷积的高光谱图像分类方法,属于图像处理技术领域,本发明为解决现有高光谱图像分类方法精度低的问题。它包括:将高光谱图像每个像素点的r×r×d邻域的图像数据作为神经网络的输入,r表示空间大小,d表示高光谱图像的波段数;对输入的高光谱图像经过深度分离卷积提取图像低层次的特征,获得特征图;采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,再采用光谱卷积运算提取深度的特征;将深度特征输入神经网络的全连接层和softmax回归层预测每个类的概率分布,完成图像分类。本发明用于对高光谱遥感图像进行分类。
Description
技术领域
本发明涉及一种基于可变形分离卷积的高光谱图像分离方法,属于图像处理技术领域。
背景技术
高光谱遥感图像是一种多维信息获取技术,将传统的二维成像遥感技术与光谱技术相结合,可以同时获取目标区域的二维几何空间特征和一维光谱特征,利用地物的高光谱图像进行分类是高光谱数据分析和处理的重要分支,具有重要的应用价值。
然而由于高光谱图像巨大的数据量、波段间较强的相关性、高维模式、混合像元等问题,使得高光谱图像分类面临巨大挑战,有限的训练样本使得一些基于统计模式识别的分类器参数无法准确估计,导致维数灾难现象。
发明内容
本发明目的是为了解决现有高光谱图像分类方法精度低的问题,提供了一种基于可变形分离卷积的高光谱图像分类方法。
本发明所述基于可变形分离卷积的高光谱图像分类方法,该图像分类方法包括:
S2、对输入的高光谱图像经过深度分离卷积提取图像低层次的特征,获得特征图;
S3、采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,再采用光谱卷积运算提取深度的特征;
S4、将S3获取的深度特征输入神经网络的全连接层和softmax回归层预测每个类的概率分布,完成图像分类。
优选的,S2所述获得的特征图还包括:
采用最大池化将S2获得的每个特征图进行缩小。
优选的,S3所述提取深度特征还包括:
采用全局平均池化减少S3提取的深度特征的参数。
优选的,S2所述经过深度分离卷积提取图像低层次的特征,获得特征图,其具体过程包括:
S2-1、对输入的高光谱图像在空间上进行卷积;
S2-2、利用1×1点卷积提取光谱特征,获得特征图。
优选的,S2-1所述对输入的高光谱图像在空间上进行卷积包括:
对m个输入高光谱图像的特征图x使用卷积核R进行采样;
对采样值进行加权运算后求和。
优选的,S3所述采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,其具体过程包括:
加入可变形运算的分离卷积为:
在卷积中引入偏移量{ΔPn|n=1,…,N}调整卷积核R,其中N=|R|;
获得自适应图像的空间分布为:
其中,Pn表示卷积核的每个值,w(Pn)表示卷积核在Pn点处的值,P0表示对输入特征图进行卷积的中心位置;
x(·)通过双线性插值计算获得:
其中,P=P0+Pn+ΔP,q表示包含进行双线性插值计算时所有积分的位置,G(·)表示二维函数,是两个一维函数g(qx,Px)和g(qy,Py)的乘积:
G(q,P)=g(qx,Px)·g(qy,Py);
其中,两个一维函数g(a,b)=max(0,1-|a-b|),a和b是一维函数的变量。
优选的,S4所述softmax回归层的损失函数为:
其中,S表示样本个数,c(s)表示第s个训练样本的类别标签,Pt(s)是P(s)的第t个元素,表示第s个样本属于第t类的概率,1{·}是指示函数,如果满足括号中的条件,则其值为1,否则为0。
本发明的优点:本发明提出的基于可变形分离卷积的高光谱图像分类方法,能够充分利用丰富的空间和光谱信息,实现端到端的特征提取与分类。
由于高光谱图像波段很多,本发明通过卷积神经网络进行特征提取,利用分离卷积将普通卷积转换为空间卷积和光谱卷积,再提升精度的同时大大减少了神经网络锁需要的参数量,此外由于不同地物的形状边缘各异,引入可变形卷积来适应其空间分布的变化,大大增强了神经网络的鲁棒性,以使该算法更适合实际应用。
附图说明
图1是本发明所述基于可变形分离卷积的高光谱图像分类方法的流程框图;
图2是现有技术中采用的普通卷积运算获得的特征图和卷积核数量示意图;
图3是采用本发明所述的分离卷积运算获得的特征图和卷积核数量示意图;
图4是现有技术中规则卷积的卷积核示意图;
图5是边缘的变形卷积的卷积核示意图;
图6是孤立点的变形卷积的卷积核示意图;
图7是平坦区域的变形卷积的卷积核示意图;
图8是本发明所述加入可变形运算的分离卷积的结构示意图;
图9是3D-CNN、分离卷积、可变形分离卷积的总体分类精度随着邻域大小的变化趋势曲线图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于可变形分离卷积的高光谱图像分类方法,该图像分类方法包括:
S2、对输入的高光谱图像经过深度分离卷积提取图像低层次的特征,获得特征图;
S3、采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,再采用光谱卷积运算提取深度的特征;
S4、将S3获取的深度特征输入神经网络的全连接层和softmax回归层预测每个类的概率分布,完成图像分类。
本实施方式中,softmax回归是logistic回归的推广,用来解决多分类问题。softmax回归采用的是softmax函数,将wx+b的值映射到[0,1]的区间,输出的结果为一个向量,向量里的值为样本属于每个标签的概率值。
本实施方式中,输入神经网络的数据要包含空间和光谱信息,因此不能利用现有技术中通常利用的逐像素的方法去选取数据。对于每个像素点,将选取该像素点的r×r邻域作为网络的输入,因此输入的每一个数据是一个大小为r×r×d的三维立方体结构,r表示空间大小,d表示高光谱图像的波段数。
本实施方式中,高光谱图像较低的空间分辨率造成了类边缘易混淆的缺陷,现有技术中采用的基于深度学习的分类方法导致分类图过于平滑而无法对类边缘附近的像素进行正确分类,其缺陷源于卷积核的形状是固定的,本实施方式中S3利用可变形卷积去学习到特征图所对应的偏置以适应图像的空间分布,这样在特征提取过程中,就可以滤除不相关的像素,只保留相关的像素。
进一步的,S2所述获得的特征图还包括:
采用最大池化将S2获得的每个特征图进行缩小。
本实施方式中,最大池化是取局部接受域中值最大的点。采用最大池化对特征图进行缩小的目的是为了降低特征维度,减少网络需要训练的参数量,对特征图进行缩小后,减少像素信息的同时能够保留重要信息。
再进一步的,S3所述提取深度特征还包括:
采用全局平均池化减少S3提取的深度特征的参数。
本实施方式中,所述全局平均池化是将特征图所有像素值相加求平局,得到一个数值,即用该数值表示对应特征图。利用全局平均池化能达到减少参数的目的,在小样本条件下具有良好的适用性。
再进一步的,S2所述经过深度分离卷积提取图像低层次的特征,获得特征图,其具体过程包括:
S2-1、对输入的高光谱图像在空间上进行卷积;
S2-2、利用1×1点卷积提取光谱特征,获得特征图。
本实施方式中,由于输入的高光谱图像波段数较多,利用常规的卷积运算需要大量的卷积核,较多的参数量在有限的样本条件下很容易产生过拟合问题,本实施方式提出深度分离卷积构成轻量级的网络,大大减少了所需训练的参数量。因为高光谱图像的空间和光谱信息之间不存在相关性,因此该具体实施方式是可行的。
再进一步的,S2-1所述对输入的高光谱图像在空间上进行卷积包括:
对m个输入高光谱图像的特征图x使用卷积核R进行采样;
对采样值进行加权运算后求和。
本实施方式中,卷积核R定义了局部连接的大小和范围,比如:
R={(-1,-1),(-1,0),…,(0,1),(1,1)}定义了一个3×3的卷积核,输出特征图y为:
其中R定义了卷积核的大小,Pn表示每个卷积核的值。现有技术中的卷积运算如图2 所示,得到的特征图的数量和卷积核的数量是相同的,因此对于高维的高光谱图像来说需要巨大的参数量,由于样本的限制很容易产生过拟合现象,使得神经网络不能够得到充分的训练。因此本发明引入分离卷积来代替普通的卷积运算,对于高光谱图像的空间和光谱信息独立运算,实现一种轻量级的网络结构,如图3所示。
首先进行空间上的卷积运算,只在二维平面上进行。对于m个输入特征图,卷积核的数量和特征图的数量相同,设卷积核的大小为k×k,每一个卷积核与一个特征图进行卷积,最后得到m个输出,因此只是在空间上进行了特征提取而没有考虑光谱之间的相关性。其次进行光谱卷积,给定n个大小为1×1×m的卷积核,每一个卷积核与输入的所有特征图进行卷积运算,即对光谱进行加权组合,因此可以得到n个特征。
现有技术中的卷积要得到n个特征需要训练的卷积核参数量为(k×k×m×n),相同情况下分离卷积需要训练的卷积核参数量为(k×k×m+m×n)。高光谱图像波段众多,利用分离卷积可以大大降低网络的复杂度,在减少计算消耗的同时提升网络的分类精度和鲁棒性。
再进一步的,S3所述采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,其具体过程包括:
加入可变形运算的分离卷积为:
在卷积中引入偏移量{ΔPn|n=1,…,N}调整卷积核R,其中N=|R|;
获得自适应图像的空间分布为:
其中,Pn表示卷积核的每个值,w(Pn)表示卷积核在Pn点处的值,P0表示对输入特征图进行卷积的中心位置;
x(·)通过双线性插值计算获得:
其中,P=P0+Pn+ΔP,q表示包含进行双线性插值计算时所有积分的位置,G(·)表示二维函数,是两个一维函数g(qx,Px)和g(qy,Py)的乘积:
G(q,P)=g(qx,Px)·g(qy,Py);
其中,两个一维函数g(a,b)=max(0,1-|a-b|),a和b是一维函数的变量。
本实施方式中,现有技术中的卷积对不同地表覆盖结构的建模存在固有的局限性,特别是在跨类边缘区域,不规则的类边界会导致较高的分类误差。如图4所示,由于卷积核形状固定(通常为矩形),常规卷积会对不同类别的像素进行采样,进行特征提取时会把周围不相关的像素点也包含进来,引入了其它类别的干扰信息。因此需要一种能够适应空间分布的卷积核,能够较好地覆盖物体自身的特征结构,尤其是可以很好地修复类边缘特征,如图5~7所示。可变形分离卷积的结构如图8所示。即将分离卷积中的空间卷积核进行自适应地变化,再使用光谱卷积提取相应的特征。
再进一步的,S4所述softmax回归层的损失函数为:
其中,S表示样本个数,c(s)表示第s个训练样本的类别标签,Pt(s)是P(s)的第t个元素,表示第s个样本属于第t类的概率,1{·}是指示函数,如果满足括号中的条件,则其值为1,否则为0。
本实施方式中,利用反向传播的随机梯度下降法对损失函数进行优化。
本发明中,采用University of Pavia数据对本发明提出的基于可变形分离卷积的高光谱图像分类方法效果进行说明。该数据是由ROSIS-03传感器系统于2002年在意大利的帕维亚大学获得的图像,主要拍摄的是校园建筑和环境。共115个光谱波段,波长变化范围是 0.43-0.86μm,实验中去除了12个噪声波段,选取剩余的103个波段作为研究对象。图像大小为610×340,空间分辨率为1.3m,一共标记了42,776个样本点,包含9类地物。
为了验证所提出分类方法的神经网络的有效性,将该网络与传统的支持向量机(SVM)、边缘保持滤波器(EPF)、3D-CNN以及未加入可变形卷积的网络(分离卷积)进行对比。每类随机选取50个样本点进行分类,所选取样本的邻域大小为9×9,学习率为0.0005,使用mini-batch训练方式以及Adam优化方法,每次输入网络的数据批次为128,网络总迭代次数为1500,为了有效地防止过拟合现象,在全连接中采用dropout=0.75。使用总体分类精度(OA)、平均分类精度(AA)、Kappa系数作为分类评价指标。网络的超参数设置如表1所示。
表1网络超参数设置
使用SVM使用的是逐像素的分类,只用到图像的光谱信息,因此分类结果图中存在较多的椒盐噪声,空间连续性差,而空间信息的加入可以改善这种现象。EPF可以引入地物的边缘信息,有效地去除了地物内部的散点,但是会出现片状的错分现象。深度学习方法相比前两者有很大的改善,与3D-CNN相比,分离卷积使得网络趋于轻量化,并且加入可变形卷积后的网络可以获得最好的分类结果,通过不规则的卷积核去适应地物的空间分布,各类地物内部连续且边缘结构清晰。
表2给出了不同方法的分类评价指标。从表2可以看到深度学习方法比传统的方法更具有优势,并且本发明所提出的可变形分离网络可以获得最高的分类精度,通过加入可变形卷积后总体分类精度提高了1.25%。
表2 University of Pavia数据分类结果评价指标(%)
图9给出了3D-CNN、分离卷积、可变形分离卷积的总体分类精度随着邻域大小的变化趋势。三种深度网络的分类精度都随着邻域大小的增大呈现上升趋势,这是因为邻域越大,所包含的空间信息就更加丰富,但是周围像素点带来的干扰也会增多。整体来看本发明所提出的可变形分离卷积网络在所有的邻域大小下都可以达到最高的分类精度。
本发明中,将本发明提出的基于可变形分离卷积那个的高光谱图像分类方法与支持向量机、边缘保持滤波器EPF、3D-CNN以及未使用可变形卷积的网络进行对比,结果表明本发明提出的基于可变形分离卷积那个的高光谱图像分类方法能够在不增加网络参数量的前提下提升图像分类精度,去除噪声点,使得分类结果图中各地物保持清晰的边缘结构和很好的空间连续性。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
2.根据权利要求1所述的基于可变形分离卷积那个的高光谱图像分类方法,其特征在于,S2所述获得的特征图还包括:
采用最大池化将S2获得的每个特征图进行缩小。
3.根据权利要求1所述的基于可变形分离卷积那个的高光谱图像分类方法,其特征在于,S3所述提取深度特征还包括:
采用全局平均池化减少S3提取的深度特征的参数。
4.根据权利要求1-3任一项权利要求中所述的基于可变形分离卷积那个的高光谱图像分类方法,其特征在于,S2所述经过深度分离卷积提取图像低层次的特征,获得特征图,其具体过程包括:
S2-1、对输入的高光谱图像在空间上进行卷积;
S2-2、利用1×1点卷积提取光谱特征,获得特征图。
5.根据权利要求4所述的基于可变形分离卷积那个的高光谱图像分类方法,其特征在于,S2-1所述对输入的高光谱图像在空间上进行卷积包括:
对m个输入高光谱图像的特征图x使用卷积核R进行采样;
对采样值进行加权运算后求和。
6.根据权利要求5所述的基于可变形分离卷积那个的高光谱图像分类方法,其特征在于,S3所述采用加入可变形运算的分离卷积学习特征图对应的偏置,获得自适应图像的空间分布,其具体过程包括:
加入可变形运算的分离卷积为:
在卷积中引入偏移量{ΔPn|n=1,…,N}调整卷积核R,其中N=|R|;
获得自适应图像的空间分布为:
其中,Pn表示卷积核的每个值,w(Pn)表示卷积核在Pn点处的值,P0表示对输入特征图进行卷积的中心位置;
x(·)通过双线性插值计算获得:
其中,P=P0+Pn+ΔP,q表示包含进行双线性插值计算时所有积分的位置,G(·)表示二维函数,是两个一维函数g(qx,Px)和g(qy,Py)的乘积:
G(q,P)=g(qx,Px)·g(qy,Py);
其中,两个一维函数g(a,b)=max(0,1-|a-b|),a和b是一维函数的变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581348.XA CN111667019B (zh) | 2020-06-23 | 2020-06-23 | 基于可变形分离卷积的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010581348.XA CN111667019B (zh) | 2020-06-23 | 2020-06-23 | 基于可变形分离卷积的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667019A true CN111667019A (zh) | 2020-09-15 |
CN111667019B CN111667019B (zh) | 2023-03-24 |
Family
ID=72389545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010581348.XA Active CN111667019B (zh) | 2020-06-23 | 2020-06-23 | 基于可变形分离卷积的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667019B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112183399A (zh) * | 2020-09-30 | 2021-01-05 | 珠海欧比特宇航科技股份有限公司 | 基于可分离卷积和密集连接的高光谱图像分类方法及介质 |
CN112288024A (zh) * | 2020-11-03 | 2021-01-29 | 上海明略人工智能(集团)有限公司 | 一种图像分类方法、系统及应用该系统的终端设备 |
CN115774830A (zh) * | 2022-10-28 | 2023-03-10 | 贵州大学 | 一种用于稀疏干涉阵列的快速成图方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020191694A1 (en) * | 2001-03-19 | 2002-12-19 | Maki Ohyama | Coding and decoding method and device on multi-level image |
US20050249399A1 (en) * | 2004-05-06 | 2005-11-10 | Huseyin Tek | Artery-vein separation and vessel modeling |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
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 |
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 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 |
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
-
2020
- 2020-06-23 CN CN202010581348.XA patent/CN111667019B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020191694A1 (en) * | 2001-03-19 | 2002-12-19 | Maki Ohyama | Coding and decoding method and device on multi-level image |
US20050249399A1 (en) * | 2004-05-06 | 2005-11-10 | Huseyin Tek | Artery-vein separation and vessel modeling |
CN103473557A (zh) * | 2013-09-02 | 2013-12-25 | 杭州电子科技大学 | 一种空谱一体化的高光谱遥感图像分类方法 |
CN106845381A (zh) * | 2017-01-16 | 2017-06-13 | 西北工业大学 | 基于双通道卷积神经网络的空谱联合的高光谱图像分类方法 |
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 |
CN109754017A (zh) * | 2019-01-09 | 2019-05-14 | 西北工业大学 | 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 |
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
扎卡里: "基于卷积神经网络的遥感图像场景分类研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101251A (zh) * | 2020-09-18 | 2020-12-18 | 电子科技大学 | 基于可变卷积神经网络的sar自动目标识别方法 |
CN112183399A (zh) * | 2020-09-30 | 2021-01-05 | 珠海欧比特宇航科技股份有限公司 | 基于可分离卷积和密集连接的高光谱图像分类方法及介质 |
CN112288024A (zh) * | 2020-11-03 | 2021-01-29 | 上海明略人工智能(集团)有限公司 | 一种图像分类方法、系统及应用该系统的终端设备 |
CN115774830A (zh) * | 2022-10-28 | 2023-03-10 | 贵州大学 | 一种用于稀疏干涉阵列的快速成图方法 |
CN115774830B (zh) * | 2022-10-28 | 2023-09-29 | 贵州大学 | 一种用于稀疏干涉阵列的快速成图方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111667019B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667019B (zh) | 基于可变形分离卷积的高光谱图像分类方法 | |
Ding et al. | Semi-supervised locality preserving dense graph neural network with ARMA filters and context-aware learning for hyperspectral image classification | |
CN107563355B (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
CN113378906B (zh) | 一种特征自适应对齐的无监督域适应遥感图像语义分割方法 | |
CN110533077B (zh) | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 | |
Cui et al. | Superpixel-based extended random walker for hyperspectral image classification | |
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN108734171A (zh) | 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法 | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN112580661B (zh) | 一种深度监督下的多尺度边缘检测方法 | |
CN109242097B (zh) | 无监督学习的视觉表示学习系统及方法 | |
Sung et al. | Neural network based terrain classification using wavelet features | |
US20150356350A1 (en) | unsupervised non-parametric multi-component image segmentation method | |
Reddy et al. | Optimized convolutional neural network model for plant species identification from leaf images using computer vision | |
CN115527056A (zh) | 基于双混合卷积生成对抗网络的高光谱图像分类方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
Shen et al. | Development of a new machine vision algorithm to estimate potato's shape and size based on support vector machine | |
Singh et al. | Performance Analysis of CNN Models with Data Augmentation in Rice Diseases | |
Zhong et al. | Multiscale feature extraction based on convolutional sparse decomposition for hyperspectral image classification | |
CN113935433A (zh) | 基于深度光谱空间倒残差网络的高光谱图像分类方法 | |
CN116482618A (zh) | 基于多损失特征自校准网络的雷达有源干扰识别方法 | |
CN111340741A (zh) | 基于四元数与l1范数的粒子群优化灰度图像增强方法 | |
CN113515661B (zh) | 一种基于过滤深度卷积特征的图像检索方法 |
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 |