CN111738052B - 基于深度学习的多特征融合高光谱遥感地物分类方法 - Google Patents
基于深度学习的多特征融合高光谱遥感地物分类方法 Download PDFInfo
- Publication number
- CN111738052B CN111738052B CN202010283627.8A CN202010283627A CN111738052B CN 111738052 B CN111738052 B CN 111738052B CN 202010283627 A CN202010283627 A CN 202010283627A CN 111738052 B CN111738052 B CN 111738052B
- Authority
- CN
- China
- Prior art keywords
- samples
- training
- remote sensing
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000234276 Curculigo Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的多特征融合高光谱遥感地物分类方法，该方法可应用于高光谱遥感地物图像分类，解决了高光谱图像分类中标签样本不足和不同层次特征没有得到充分利用的弊端，具体如下：从原始高光谱遥感图像中选取各类别标签样本，并将样本标记为训练样本和测试样本；对训练样本进行预处理将其复制为相同的多份，并输入卷积神经网络的不同卷积层中以得到更多的样本；将卷积神经网络中层和高层的特征在全连接层中进行融合以得到不同层次的特征信息；获得训练的特征后对测试样本进行分类。
Description
技术领域
本发明涉及高光谱遥感地物分类，特别涉及一种基于深度学习的多特征融合高光谱遥感地物分类方法。
背景技术
随着高光谱遥感技术快速发展，高光谱遥感图像数据在各方面的应用日益剧增，在土地监测、城市规划、灾害监测，森林水土划分等方面有着广泛的应用。遥感影像分类是遥感领域研究的焦点问题，而地物分类是遥感图像分类的一个重要分支，因高光谱遥感图像具有及时性、准确性和迅速获取大范围数据等特性以及其包含的丰富的空间信息和接近连续的光谱信息为地物分类的研究者提供了重要的数据支持。如何充分挖掘高光谱遥感影像中的有用信息用于地物分类是其中的重要研究方向。
最初的遥感影像通过目视解译方法进行分类，但需消耗大量人力且效率低。随着计算机技术的发展，K近邻算法、最大似然数法、支持向量机等机器学习方法应用于遥感影像分类中，但是这些传统的算法在遥感分类中精度低，原因是大部分的传统算法只能获取高光谱遥感影像的浅层信息特征再进行分类，没有充分利用高光谱遥感影像中的深层特征，限制了对高光谱地物分类精度的提高。近年来，深度学习爆发式发展，其相关算法已成功应用于图像识别等领域，并且深度学习也已应用于遥感图像分类中，取得了较高的分类精度。三维卷积神经网络获取图像特征过程能够同时获取浅层和深层的特征信息，并且能够同时挖掘高光谱遥感影像的光谱信息和空间信息，相对于传统的算法具有明显的优势。另外，高光谱图像因其高维度、大数据量等特点对于传统的地物分类方法提出了挑战。而深度学习方法对于处理大量数据有优势，故使用深度学习可以对高光谱图像中的大量数据进行处理。
然而，常规的三维卷积神经网络用于高光谱遥感影像分类具有以下方面的局限性：1、网络获取特征后通常将高层的特征信息输入分类器，并没有充分利用到其他层次的特征；2、对于卷积神经网络，获取图像特征信息时需要大量的标签样本，而标签样本的制作需要耗费大量人力物力；3、部分地物类别的类间区分较小，需要不同层面的特征进行区分。
发明内容
本发明所要解决的技术问题是：提供一种基于深度学习的多特征融合高光谱遥感地物分类方法，能充分利用卷积神经网络提取的中间层特征信息，并采用多输入样本的方式增强样本量对高光谱遥感影像进行地物分类，并获得了较高的分类精度，为高光谱遥感地物分类提供了一种有效的方法。
为解决上述技术问题，本发明所采用的技术方案为：一种基于深度学习的多特征融合高光谱遥感地物分类方法，具体如下：
通过高光谱图像获取原始数据，选取各类标签样本，样本按设定比例随机分为训练样本和测试样本；
每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以损失函数计算损失率后通过优化函数算法更新网络的参数；
经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；
将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；
通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。
作为一种优选的方案，所述损失函数为LogLoss对数损失函数、平方损失函数、指数损失函数中的一种。
作为一种优选的方案，所述LogLoss对数损失函数采用softmax交叉熵损失函数或逻辑回归函数。
作为一种优选的方案，所述优化函数为Adam、BGD批量梯度下降、SGD随机梯度下降、MBGD小批量梯度下降、Momentum、AdaGrad、adadelta、Rmsprop函数中的一种。
作为一种优选的方案，所述标签样本制作具体包括有：在高光谱图像中选定若干作为中心像素的像素点，然后在每个像素点周围以其为中心共M×M个像素点构成一张正方形的图像，其中，M取奇数；得到大小为M×M×B的样本，其中B为输入图像的高光谱的波段数。
本发明的有益效果是：
三维卷积神经网络能够有效地提取高光谱图像的空谱特征，解决了传统网络对于难以提取隐含在高光谱数据中的深层特征问题；在一个感受野中，因为其值为随机生成，故同一张图像同一个感受野在不同层卷积中得到的特征信息也不相同，通过复制相同的训练样本输入不同的卷积层中可以获得包含不同层次特征信息的样本，解决样本不足的问题；由于不同层次的特征信息各有侧重，通过对不同层特征信息对分类结果的影响分析，中高层的特征信息对于高光谱地物分类影响较大。结合以上方法，可以充分挖掘高光谱遥感地物图像中不同层次的特征并通过各层次特征融合实现在小样本情况下获得更好的分类结果。
附图说明
图1为本发明的框图；
图2为本发明的流程图；
图3为提取训练图像大小方法图；
图4为各类的标签光谱曲线图，其中(a)河流/水域光谱曲线；(b)建筑光谱曲线；(c)植被光谱曲线；
图5为3D-CNN模型结构图；
图6为底中高层特征融合结构图；
图7为中高层特征融合结构图；
图8为多输入中高层特征融合结构图；
图9为数据分类结果可视化图，其中(a)左：湖北仙桃原图像右：湖北仙桃分类图；(b)左：湖北荆州原图像右：湖北仙桃分类图；(c)左：安徽淮南原图像右：安徽淮南分类图。
具体实施方式
下面结合附图，详细描述本发明的具体实施方案。
如图1-3所示，一种基于深度学习的多特征融合高光谱遥感地物分类方法，具体如下：
通过高光谱图像获取原始数据，选取各类标签样本，所述标签样本制作具体包括有：在高光谱图像中选定若干作为中心像素的像素点，然后在每个像素点周围以其为中心共M×M个像素点构成一张正方形的图像，其中，M取奇数；得到大小为M×M×B的样本，其中B为输入图像的高光谱的波段数。
样本按1:1比例随机分为训练样本和测试样本；
每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以softmax交叉熵损失函数计算损失率后通过优化函数Adam算法更新网络的参数；
经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；
将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；
通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。
为对本发明做进一步说明，现举三个实验实例：
1)数据描述
采用“珠海一号”卫星拍摄的高光谱图像进行地物分类实验，为便于验证所提方法的正确性，实验选取的高光谱影像分别为湖北仙桃、湖北荆州、安徽淮南三个地区的三套数据集，地物类别均为河流/水域、建筑和植被。影像总共包含32个波段，地面分辨率为10m，中心波长范围为400～1000nm，实验数据经过相对辐射定标、几何校正处理。数据标准色彩显示波段组合R：670nm，G:566nm，B:480nm。下表1为三套数据集的相关参数。
表1各数据集参数
2)实验设置
为了提高实验效率，本文选取原始图像大小为5056×5056×32的部分区域进行实验分析，所选实验区域大小为2000×2000×32。在遥感图像中，每个像素相邻空间位置的像素点，大多属于同一类别的地物信息。为了充分利用空间信息，3D-CNN在以一个像素点为中心的空间领域内选取一定大小的图像块作为输入数据。如图3所示，一个方格表示一个像素点，以像素点m为中心，其空间领域内m1～m8与m点属于同类别的概率很大，在选取3*3图像大小时，以m为中心点，包含领域[m1，m2，m3，m4，m5，m6，m7，m8]，以此方法可获5x5,7x7···n×n等图像大小。在本文的实验中我们将使用7x7x32的三维图像大小进行训练。
实验区域被分为河流/水域、建筑、植被三大类进行测试，以像素点为单位进行类别标注，训练样本基于三类地物的光谱曲线进行选取。三类地物的光谱曲线如图4所示。
三套数据集的样本总数和各类样本总数如表2所示：
表2各数据集样本数
在本实例的实验中，3D-CNN网络模型、低中高层特征融合模型、中高层特征融合模型、多输入中高层特征融合模型，均采用相同的结构设计和参数设置。其主要参数如下表1所示，卷积核大小为2×2×2；为了获得更有价值的参数，步长Strides设置1；同时，因实验设备运算能力限制，卷积核个数1～3层卷积层从2开始以2的倍数递增，第四层卷积层开始都为8，实验采用的填充方式为Valid，由于输入的训练图像尺寸较小，为了增加层数，实验不包括池化层，dropout均为0.5，模型训练迭代次数train_Es＝50000，测试迭代次数test_Es＝10，下表3为模型的基本参数。
表3 3D-CNN模型参数
3)实例结果
本实例将采用图5的模型作为基础模型，实验将在此模型上进行改进。实例将做如下实验：
实验一，对图5的基础模型进行运算，最终分类结果为10次实验结果的平均值。其模型分类精度评价如下表4
表4 3D-CNN模型分类精度评价
实验二，对卷积层的低中高层特征融合和中高层特征融合进行实验，其模型分别为图6和图7。实验结果如表5，分析表明低中高层特征融合总体上稍高于中高层融合的分类精度，但差别很小，精度差别分别为0.01％、0.13％、0.13％，两者的差别在于前者少了浅层的特征信息，说明在卷积神经网络中，相对于中高层特征信息，浅层的卷积特征信息对于图像的分类精度影响并不大。
对不同层的特征信息进行分析，分析各层的空谱特征信息对地物分类影响关系，提取可提升分类精度的卷积层特征。
表5中高层融合分类精度评价
实验三，为本发明的最终实验方案，模型如图8所示，在实验前对已处理的训练图像复制为3份L1、L2、L3，将训练图像输入不同卷积层中，在①操作中，将L1输入Conv1，对图7中的3D-CNN模型进行运算。在②操作中，把L2通过调整卷积核大小为[3,3,3]，以获得与第二层卷积层相同维度的特征图，并将其特征图在Conv2融合。在③操作中，将L3通过调整卷积核大小为[4,4,4]，将特征信息在Conv3中融合。对于图中②③相当于只进行了5层和4层卷积，这样的目的是获得更多图像数据的同时也获得更多不同卷积层的特征图。同时，在上述实验中表明中高层的特征信息对高光谱图像分类的精度都有影响。因此此次实验也将中高层的特征信息融合在全连接层中。实验结果可视化如图9所示，实验精度如表6所示，
表6多输入中高层特征融合分类精度评价
相对于无特征融合算法和中高层特征融合算法，多输入中高层特征融合方法在三套数据集上均获得了最好的分类效果，分类精度分别为96.46％、95.88％、94.80％，相比中高层融合方法分别提高了2.17％、1.59％、0.96％，相比基本3D-CNN方法分别提高了5.26％、3.45％、2.14％。通过本发明的方法，在样本较少的情况下，结合不同层的特征信息，对高光谱的地物信息分类具有很好地效果。
上述的实施例仅例示性说明本发明创造的原理及其功效，以及部分运用的实施例，而非用于限制本发明；应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，具体如下：
通过高光谱图像获取原始数据，选取各类标签样本，样本按设定比例随机分为训练样本和测试样本；
每次迭代训练从训练样本中随机输入设定数量的训练样本到预先建立好的三维卷积神经网络中进行训练；且将训练样本复制为数量与三维卷积神经网络模型内卷积层数量一半的份数，得到的多份相同样本分别输入三维卷积神经网络模型的前一半的不同卷积层中进行训练；在训练过程中，利用三维卷积神经网络不同卷积层产生多层次的地物空谱特征信息，获取不同层次的特征，选取其中的中层和高层特征信息并一维化后传输到全连接层中，以损失函数计算损失率后通过优化函数算法更新网络的参数；
经过E次迭代训练直至三维卷积神经网络模型收敛，得到训练完的三维卷积神经网络模型；
将测试样本输入已训练完的网络模型，将测试样本输入模型中，利用混淆矩阵计算总体分类精度，完成测试；
通过训练完的三维卷积神经网络模型对需分类高光谱图像进行分类。
2.根据权利要求1所述的基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，所述损失函数为LogLoss对数损失函数、平方损失函数、指数损失函数中的一种。
3.根据权利要求2所述的基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，所述LogLoss对数损失函数采用softmax交叉熵损失函数或逻辑回归函数。
4.根据权利要求3所述的基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，所述优化函数为Adam、BGD批量梯度下降、SGD随机梯度下降、MBGD小批量梯度下降、Momentum、AdaGrad、adadelta、Rmsprop函数中的一种。
5.根据权利要求4所述的基于深度学习的多特征融合高光谱遥感地物分类方法，其特征是，所述标签样本制作具体包括有：在高光谱图像中选定若干作为中心像素的像素点，然后在每个像素点周围以其为中心共M×M个像素点构成一张正方形的图像，其中，M取奇数；得到大小为M×M×B的样本，其中B为输入图像的高光谱的波段数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283627.8A CN111738052B (zh) | 2020-04-13 | 2020-04-13 | 基于深度学习的多特征融合高光谱遥感地物分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283627.8A CN111738052B (zh) | 2020-04-13 | 2020-04-13 | 基于深度学习的多特征融合高光谱遥感地物分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738052A CN111738052A (zh) | 2020-10-02 |
| CN111738052B true CN111738052B (zh) | 2024-03-12 |
Family
ID=72647883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010283627.8A Active CN111738052B (zh) | 2020-04-13 | 2020-04-13 | 基于深度学习的多特征融合高光谱遥感地物分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738052B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344871B (zh) * | 2021-05-27 | 2024-08-20 | 中国农业大学 | 农业遥感图像分析方法及系统 |
| CN113469099B (zh) * | 2021-07-13 | 2024-03-15 | 北京航科威视光电信息技术有限公司 | 目标检测模型的训练方法、检测方法、装置、设备及介质 |
| CN113962913B (zh) * | 2021-09-26 | 2023-09-15 | 西北大学 | 一种融合光谱空间信息的深度互学习框架的构建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
| 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 |
| CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
| CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
| CN110363071A (zh) * | 2019-05-31 | 2019-10-22 | 上海海洋大学 | 一种协同主动学习和直推式支持向量机的海冰检测方法 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
-
2020
- 2020-04-13 CN CN202010283627.8A patent/CN111738052B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
| 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 |
| CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
| CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
| CN110363071A (zh) * | 2019-05-31 | 2019-10-22 | 上海海洋大学 | 一种协同主动学习和直推式支持向量机的海冰检测方法 |
| CN110443302A (zh) * | 2019-08-02 | 2019-11-12 | 天津相和电气科技有限公司 | 基于特征融合与深度学习的负荷辨识方法及其应用 |
Non-Patent Citations (3)
| Title |
|---|
| 利用卷积神经网络的高光谱图像分类;赵漫丹;任治全;吴高昌;郝向阳;测绘科学技术学报;20171231;第34卷(第5期);全文 * |
| 基于深度学习的高光谱遥感图像分类;邢晨;CNKI;20161231;全文 * |
| 基于深度学习的高光谱遥感图像特征学习与分类算法研究;刘群;CNKI;20181231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738052A (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| CN106203523B (zh) | 基于梯度提升决策树半监督算法融合的高光谱图像分类方法 | |
| 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 | |
| CN107273938B (zh) | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 | |
| CN113159051A (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN107092870A (zh) | 一种高分辨率影像语意信息提取方法及系统 | |
| CN108564115A (zh) | 基于全卷积gan的半监督极化sar地物分类方法 | |
| 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 | |
| CN109344891A (zh) | 一种基于深度神经网络的高光谱遥感数据分类方法 | |
| CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
| CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
| CN110633708A (zh) | 一种基于全局模型和局部优化的深度网络显著性检测方法 | |
| CN113486851A (zh) | 基于双分支光谱多尺度注意力网络的高光谱图像分类方法 | |
| CN105160351B (zh) | 基于锚点稀疏图的半监督高光谱分类方法 | |
| CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
| 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 | |
| CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
| Xu et al. | Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil | |
| Xu et al. | Multi-structure joint decision-making approach for land use classification of high-resolution remote sensing images based on CNNs | |
| CN113705580A (zh) | 基于深度迁移学习的高光谱图像分类方法 | |
| CN106096658A (zh) | 基于无监督深度空间特征编码的航拍图像分类方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Han Yanling Inventor after: Liu Yegun Inventor after: Zhou Ruyan Inventor after: Yang Shuhu Inventor after: Wang Jing Inventor after: Zhang Yun Inventor after: Hong Zhonghua Inventor before: Han Yanling Inventor before: Liu Yekun Inventor before: Zhou Ruyan Inventor before: Yang Shuhu Inventor before: Wang Jing Inventor before: Zhang Yun Inventor before: Hong Zhonghua |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |