CN111914916A - 基于双路卷积融合神经网络的高光谱图像分类模型及方法 - Google Patents

基于双路卷积融合神经网络的高光谱图像分类模型及方法 Download PDF

Info

Publication number
CN111914916A
CN111914916A CN202010708829.2A CN202010708829A CN111914916A CN 111914916 A CN111914916 A CN 111914916A CN 202010708829 A CN202010708829 A CN 202010708829A CN 111914916 A CN111914916 A CN 111914916A
Authority
CN
China
Prior art keywords
module
convolution
fusion
output
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
CN202010708829.2A
Other languages
English (en)
Other versions
CN111914916B (zh
Inventor
高红民
曹雪莹
李臣明
花再军
陈忠昊
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010708829.2A priority Critical patent/CN111914916B/zh
Publication of CN111914916A publication Critical patent/CN111914916A/zh
Application granted granted Critical
Publication of CN111914916B publication Critical patent/CN111914916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—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
    • 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

Abstract

本发明公开了一种基于双路卷积融合神经网络的高光谱图像分类模型，包括双边卷积融合模块和分类模块，双边卷积融合模块包括多个串接的双边融合块；双边融合块包括：最优特征提取模块、最优特征强化模块、空间局部联系性传递模块及特征融合模块；最优特征提取模块包括串接的卷积单元和池化单元，卷积单元的输出连接至空间局部联系性传递模块的输入；池化单元的输出连接至最优特征强化模块的输入；最优特征强化模块和空间局部联系性传递模块的输出共同作为特征融合模块的输入。本申请通过双层结构保持较高的空间分辨率，克服因卷积神经网络表征分辨率下降引发的空间敏感判别特征的提取下降问题，提高分类精度。

Description

基于双路卷积融合神经网络的高光谱图像分类模型及方法
技术领域
本发明涉及高光谱图像分类，具体涉及一种基于双路卷积融合神经网络的高光谱图像分类模型及方法。
背景技术
高光谱图像是由上百个光谱波段组成的多种信息综合载体，是遥感科学的重要研究领域与热点研究方向。目前，高光谱遥感技术已经成功应用于农业监测，环境监测、海洋遥感与军事探索等方面，并均展示了其出色的性能。然而，高光谱的高维特性往往会带来特征冗余以及小样本问题，同时，其复杂的空间特征及光谱特征分布也会给高光谱图像的分类工作带来很大挑战。
在早期的高光谱图像分类中，仅利用光谱信息对不同地表覆盖类别进行区分，如线性分类器、k临近分类器、支持向量机等。但这些方法往往面临高光谱图像光谱维的高维特性，为了缓和这一特性，针对光谱维的特征选择和特征提取的方法通常被采用，前者从原始光谱波段中选出一个有效且低冗余的带子集，而后者则是利用一系列线性变化的方法抽象出更具一般性的带子集，如主成分分析法(PCA)、线性判别分析等。
随着成像技术的发展，高光谱空间分辨率得以进一步提升，借助于空间相邻像素在光滑的空间域内携带相关信息，基于空谱特征分类方法变成了一种新趋势，如基于多核的分类器、基于稀疏表示的分类器和马尔可夫随机场分类器等。这种空间局部连续性的加入使得HSI的分类性能有了显著的改善，但是上述方法大多基于手工制作的特征，这种手工制作的特征高度依赖个人知识经验，且其表示能力往往不足以区分不同类之间的细微差异，或者同一类之间的较大差异，而高光谱图像存在的光谱空间变异性问题往往又会加重这一缺陷，最终降低分类结果。
目前，深度学习已经在高光谱图像分类领域取得了巨大的成功。但是，受高光谱图像训练样本数量的限制，分类模型在向深度进发(或增广宽度)的同时更容易出现过拟合，精度饱和，梯度消失或爆炸的现象，从而导致最终分类精度的下降。在现有的分类算法中，借助于残差网络和inception网络，在付出增加训练参数的代价下，过拟合及梯度消失或爆炸的现象已被很好的缓解，但精度饱和的现象仍是困扰高光谱分类算法的一大问题，造成这一问题的原因之一则是卷积神经网络提取更深层次特征的同时，也会引发空间分辨率下降，进而导致其提取高效判别特征的能力减弱，最终使得分类精度下降。目前主流应对方法有两种，如Li等人结合反卷积与全卷积来增强空间分辨率，而Ma等人提出一种跳跃结构的端到端反卷积网络来学习频谱空间特征。但无论哪种，其分类精度都有进一步提升的空间。
发明内容
发明目的：本申请的目的在于提供一种基于双路卷积融合神经网络的高光谱图像分类模型，包括双边卷积融合模块和分类模块，双边卷积融合模块包括多个串接的双边融合块；
双边融合块包括：最优特征提取模块、最优特征强化模块、空间局部联系性传递模块及特征融合模块；
最优特征提取模块包括串接的卷积单元和池化单元，卷积单元的输出连接至空间局部联系性传递模块的输入；池化单元的输出连接至最优特征强化模块的输入；最优特征强化模块和空间局部联系性传递模块的输出共同作为特征融合模块的输入；其中，
最优特征提取模块用于根据输入图像提取最优判别特征；
最优特征强化模块用于对最优判别特征进行强化，得到强化输出；
空间局部联系性传递模块，用于将卷积单元的输出特征传输至特征融合模块，得到传递输出；
特征融合模块用于将强化输出和传递输出融合后进一步进行特征提取，得到双边融合块的特征提取输出。
进一步地，卷积单元包括依次串接的第一卷积层、对应的批量归一化层和ReLU激活函数；池化单元采用最大池化层。
进一步地，最优特征强化模块包括并行的转置卷积块、上采样块，以及将两者输出拼接的结合层；
转置卷积块包括转置卷积层及其对应的批量归一化层和ReLU激活函数，用于重构最优判别特征图谱，将接收的特征图放大至输入图像的原有尺寸；
上采样块用于利用最优判别特征替换其附近特定范围内的特征信息，强化最优判别特征；
转置卷积块与上采样块的输出经结合层拼接后得到强化输出。
进一步地，空间局部联系性传递模块包括超链接、1x1卷积以及对应的批量归一化层；超链接经由1x1卷积以及对应的批量归一化层将卷积单元与特征融合模块连接。
进一步地，特征融合模块包括依次串接的第二卷积层、对应的批量归一化层、融合层及ReLU激活函数。
进一步地，分类模块包括Flatten层、两个全连接层、两个dropout层及softmax分类函数；双边卷积融合模块的输出经由Flatten层压缩至一维，而后传递给全连接层融合所学到的光谱特征，最后利用softmax函数进行目标分类。
本申请另一方面提供一种利用上述模型进行高光谱图像分类的方法，包括：
(1)数据预处理：采用PCA算法对带标记的高光谱图像进行降维，并利用白化处理使其各个分量之间互不相关；
(2)提取原始空谱特征：提取经过PCA白化后的高光谱图像，将待分类像元以及以其为中心的预设数量的邻域像素作为原始空谱特征，得到标记样本集并统计出标记样本的总数；
(3)数据划分：从标记样本集中选取预设比例的标记样本作为训练集；
(4)训练模型：基于训练集利用训练算法训练上述模型得到训练好的分类模型；
(5)利用训练好的分类模型对待测目标高光谱图像进行类别预测，得到分类结果。
进一步地，步骤(4)中采用mini-batch训练法，将训练集的样本批量输入待训练的分类模型中，以标记的类别为指导信息，利用梯度下降算法对网络参数进行训练，直至网络训练精度收敛。
本申请还提供了一种计算机可读存储介质，介质中存储有计算机可执行指令，指令被执行时用于实现上述分类方法。
有益效果：与现有技术相比，本申请提供的模型及分类方法在小样本分类问题下对已提取到的空谱特征信息进行分离提取处理，更为充分的利用了各级特征图，从而获取了更为优质的特征表达，无需过深的或过宽的模型结构即可达到较高的分类结果；通过双层结构使模型保持较高的空间分辨率，克服因卷积神经网络表征分辨率下降而引发的空间敏感判别特征的提取下降问题，提高分类精度。
附图说明
图1为本申请的高光谱图像分类模型网络结构示意图；
图2为分类模型中的双边融合块的结构示意图；
图3为本申请的高光谱图像分类方法流程图；
图4为Indian Pines数据集真实地物图与各类样本总数统计图；
图5为利用本申请的模型和方法的Indian Pines分类结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述：
本申请一方面公开了一种基于双路卷积融合神经网络的高光谱图像分类模型，如图1所示，分配模型101包括双边卷积融合模块和分类模块，双边卷积融合模块包括多个串接的双边融合块。
如图2所示，双边融合块包括：最优特征提取模块201、最优特征强化模块202、空间局部联系性传递模块203及特征融合模块204。最优特征提取模块201包括串接的卷积单元和池化单元，卷积单元的输出连接至空间局部联系性传递模块203的输入；池化单元的输出连接至最优特征强化模块202的输入。最优特征强化模块202和空间局部联系性传递模块203的输出共同作为特征融合模块204的输入。
其中，最优特征提取模块201用于根据输入图像提取最优判别特征；最优特征强化模块202用于对最优判别特征进行强化，得到强化输出；空间局部联系性传递模块203，用于将卷积单元的输出特征传输至特征融合模块，得到传递输出；特征融合模块204用于将强化输出和传递输出融合后进一步进行特征提取，得到双边融合块的特征提取输出。
卷积单元包括依次串接的第一卷积层、对应的批量归一化层和ReLU激活函数；池化单元采用最大池化层。第一卷积层的卷积核尺寸保持中等规模；本实施例中，第一卷积层卷积核尺寸为16，5*5，最大池化层尺寸为3*3。
最优特征强化模块202包括并行的转置卷积块2021、上采样块2022，以及将两者输出拼接的结合层2023。其中，转置卷积块2021包括转置卷积层及其对应的批量归一化层和ReLU激活函数，用于重构最优判别特征图谱，将接收的特征图放大至输入图像的原有尺寸。本实施例中，转置卷积的卷积核尺寸为16，3*3。上采样块2022用于利用最优判别特征替换其附近特定范围内的特征信息，强化最优判别特征，使最优判别特征更为突出；上采样尺寸设置为3*3。转置卷积块2021与上采样块2022的输出经结合层2023拼接(Concatenate操作)后得到强化输出。
空间局部联系性传递模块203包括超链接、1x1卷积以及对应的批量归一化层，如图2所示，超链接经由1x1卷积以及对应的批量归一化层将卷积单元与特征融合模块连接204。其作用是将第一卷积所提取的特征图中被最大池化层与并行双层结构所破坏的空间局部联系性传递到特征融合模块204中，进一步提升光谱特征信息丰富度，改善最大池化层带来的特征丢失而导致最终分类精度下降问题，从而提高最终的分类结果的精度。1*1卷积的卷积核尺寸为64，1*1。
特征融合模块204包括依次串接的第二卷积层、对应的批量归一化层、融合层及ReLU激活函数。第二卷积层卷积核尺寸设置为64，5*5。
分类模块包括一个Flatten层、两个全连接(Dense)层、两个dropout层及softmax分类函数；双边卷积融合模块的输出首先经由Flatten层压缩至一维，而后传递给全连接层融合所学到的光谱特征，最后利用softmax函数进行目标分类。其中，Dense层单元数分别设置为128和64，dropout丢失率设置为0.3，softmax函数单元数量为相应类别总数。
本申请另一方面公开了一种利用上述分类模型进行高光谱图像分类的方法，如图3所示，包括：
S101数据预处理：采用PCA算法对带标记的高光谱图像进行降维，并利用白化处理使其各个分量之间互不相关；此处高光谱图像为原始未经处理的图像，可在相关的遥感网站下载获取。
S102提取原始空谱特征：提取经过PCA白化后的高光谱图像，将待分类像元以及以其为中心的预设数量的邻域像素作为原始空谱特征，得到标记样本集并统计出标记样本的总数。本实施例中，以带分类像元为中心的26邻域像素共27个像素向量作为原始空谱特征，如图1所示，原始空谱特征的形式就是空间域尺寸为27*27图像块，其大小为(n，27，27，c)，n表示标记样本的总个数。
S103数据划分：从标记样本集中选取预设比例的标记样本作为训练集；具体实施时，预设比例不大于10％。
S104训练模型：基于训练集利用训练算法训练上述分类模型得到训练好的分类模型；具体地，采用mini-batch训练法，Batch-size设置为16，将训练过程遍历一整个训练集一次称为一轮训练，整个训练过程共计200轮，学习率设置为0.01。将训练集的样本批量输入待训练的分类模型中，以标记的类别为指导信息，利用梯度下降算法对网络参数进行训练，直至网络训练精度收敛至1。
S103利用训练好的分类模型对待测目标高光谱图像进行类别预测，得到分类结果。
本申请还提供了一种计算机可读存储介质，介质中存储有计算机可执行指令，指令被执行时用于实现上述图像分类方法。
仿真验证：
1.实验设置
为了说明本申请的高光谱图像分类模型及方法的有效性，设计参数实验来进行验证。所有的验证结果均基于python语言与keras深度学习框架下，随机选取10％的训练样本实施的。高光谱遥感影像依然采用由AVIRIS传感器获取的在印第安纳州西北部的印第安松树试验场上空收集的图像，它在空间域上是由145*145像素构成，而在光谱域上则是由224个光谱反射率波段组成，其波长范围在0.4到2.45μm之间。在实验中，去掉20个吸水带，最终图像大小为145*145*200，拥有可用的地面真相为16个类，10249个标记样本。详细各类样本数如图4所示。
2.实验内容与分析
如图5所示，该方法所取得的分类图拥有非常低的噪声干扰，在边缘细节表现力上拥有非常出色的表现，且对小样本地物类别的分类上面也取得了优异的视觉效果，总的来说，通过该方法取得的分类色彩图非常贴近原始高光谱图像的地面真相色彩图，印证了该方法在高光谱图像分类模块的出色性能。
为了验证双路融合卷积块中各级层安排的有效性，利用Indian Pines对双路卷积融合神经网络结构进行分析，并将结果展示在表1中。√代表着相关结构运用于整体网络中，×代表相反的意思。从表1中，可以清楚的看到，当不采用转置卷积，上采样和超链接时，OA仅为97.78％，分别加入上述三种优化手段后，OA均有不同程度的提升，当同时使用上采样和转置卷积时，OA结果达到98.37％，明显优于单一采用转置卷积或上采样的98.15％和98.29％。而超链接结构的加入使得分类精度也有了提升，这是因为原始空间局部相关性被引入。最终，结合以上所有结构，我们的精度达到了98.45％。
表1
Figure BDA0002595795510000071
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (9)

1.一种基于双路卷积融合神经网络的高光谱图像分类模型，其特征在于，包括双边卷积融合模块和分类模块，所述双边卷积融合模块包括多个串接的双边融合块；
所述双边融合块包括：最优特征提取模块、最优特征强化模块、空间局部联系性传递模块及特征融合模块；
所述最优特征提取模块包括串接的卷积单元和池化单元，所述卷积单元的输出连接至空间局部联系性传递模块的输入；所述池化单元的输出连接至最优特征强化模块的输入；所述最优特征强化模块和空间局部联系性传递模块的输出共同作为所述特征融合模块的输入；其中，
所述最优特征提取模块用于根据输入图像提取最优判别特征；
所述最优特征强化模块用于对所述最优判别特征进行强化，得到强化输出；
所述空间局部联系性传递模块，用于将所述卷积单元的输出特征传输至所述特征融合模块，得到传递输出；
所述特征融合模块用于将所述强化输出和所述传递输出融合后进一步进行特征提取，得到所述双边融合块的特征提取输出。
2.根据权利要求1所述的模型，其特征在于，所述卷积单元包括依次串接的第一卷积层、对应的批量归一化层和ReLU激活函数；所述池化单元采用最大池化层。
3.根据权利要求1所述的模型，其特征在于，所述最优特征强化模块包括并行的转置卷积块、上采样块，以及将两者输出拼接的结合层；
所述转置卷积块包括转置卷积层及其对应的批量归一化层和ReLU激活函数，用于重构最优判别特征图谱，将接收的特征图放大至输入图像的原有尺寸；
所述上采样块用于利用最优判别特征替换其附近特定范围内的特征信息，强化最优判别特征；
所述转置卷积块与所述上采样块的输出经所述结合层拼接后得到所述强化输出。
4.根据权利要求1所述的模型，其特征在于，所述空间局部联系性传递模块包括超链接、1x1卷积以及对应的批量归一化层；所述超链接经由1x1卷积以及对应的批量归一化层将所述卷积单元与所述特征融合模块连接。
5.根据权利要求1所述的模型，其特征在于，所述特征融合模块包括依次串接的第二卷积层、对应的批量归一化层、融合层及ReLU激活函数。
6.根据权利要求1所述的模型，其特征在于，所述分类模块包括Flatten层、两个全连接层、两个dropout层及softmax分类函数；所述双边卷积融合模块的输出经由所述Flatten层压缩至一维，而后传递给所述全连接层融合所学到的光谱特征，最后利用softmax函数进行目标分类。
7.利用权利要求1～6中任一权利要求所述的模型进行高光谱图像分类的方法，其特征在于，包括：
(1)数据预处理：采用PCA算法对带标记的高光谱图像进行降维，并利用白化处理使其各个分量之间互不相关；
(2)提取原始空谱特征：提取经过PCA白化后的高光谱图像，将待分类像元以及以其为中心的预设数量的邻域像素作为原始空谱特征，得到标记样本集并统计出标记样本的总数；
(3)数据划分：从所述标记样本集中选取预设比例的标记样本作为训练集；
(4)训练模型：基于所述训练集利用训练算法训练权利要求1～6中任一项所述的模型得到训练好的分类模型；
(5)利用训练好的分类模型对待测目标高光谱图像进行类别预测，得到分类结果。
8.根据权利要求7所述的方法，其特征在于，步骤(4)中采用mini-batch训练法，将训练集的样本批量输入待训练的分类模型中，以标记的类别为指导信息，利用梯度下降算法对网络参数进行训练，直至网络训练精度收敛。
9.一种计算机可读存储介质，其特征在于，所述介质中存储有计算机可执行指令，所述指令被执行时用于实现权利要求7～8中任一项所述的分类方法。
CN202010708829.2A 2020-07-22 2020-07-22 基于双路卷积融合神经网络的高光谱图像分类模型及方法 Active CN111914916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010708829.2A CN111914916B (zh) 2020-07-22 2020-07-22 基于双路卷积融合神经网络的高光谱图像分类模型及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708829.2A CN111914916B (zh) 2020-07-22 2020-07-22 基于双路卷积融合神经网络的高光谱图像分类模型及方法

Publications (2)

Publication Number Publication Date
CN111914916A true CN111914916A (zh) 2020-11-10
CN111914916B CN111914916B (zh) 2022-08-26

Family

ID=73281751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708829.2A Active CN111914916B (zh) 2020-07-22 2020-07-22 基于双路卷积融合神经网络的高光谱图像分类模型及方法

Country Status (1)

Country Link
CN (1) CN111914916B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381794A (zh) * 2020-11-16 2021-02-19 哈尔滨理工大学 一种基于深度卷积生成网络的印刷缺陷检测方法
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
CN113449603A (zh) * 2021-05-28 2021-09-28 同济大学 一种高分辨率遥感影像地表要素识别方法及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170101723A (ko) * 2016-02-29 2017-09-06 한국항공대학교산학협력단 항공 영상 분류 장치 및 그 방법
CN107909015A (zh) * 2017-10-27 2018-04-13 广东省智能制造研究所 基于卷积神经网络及空谱信息融合的高光谱图像分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170101723A (ko) * 2016-02-29 2017-09-06 한국항공대학교산학협력단 항공 영상 분류 장치 및 그 방법
CN107909015A (zh) * 2017-10-27 2018-04-13 广东省智能制造研究所 基于卷积神经网络及空谱信息融合的高光谱图像分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381794A (zh) * 2020-11-16 2021-02-19 哈尔滨理工大学 一种基于深度卷积生成网络的印刷缺陷检测方法
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
CN113449603A (zh) * 2021-05-28 2021-09-28 同济大学 一种高分辨率遥感影像地表要素识别方法及存储介质

Also Published As

Publication number Publication date
CN111914916B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN111914916B (zh) 基于双路卷积融合神经网络的高光谱图像分类模型及方法
CN111274869B (zh) 基于并行注意力机制残差网进行高光谱图像分类的方法
CN111582225B (zh) 一种遥感图像场景分类方法及装置
CN108090447A (zh) 双分支深层结构下的高光谱图像分类方法及装置
CN112150450B (zh) 一种基于双通道U-Net模型的图像篡改检测方法及装置
CN111126258A (zh) 图像识别方法及相关装置
CN107451614A (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
US11392800B2 (en) Computer vision systems and methods for blind localization of image forgery
CN107145836A (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN112215201A (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
CN111222564B (zh) 基于图像通道相关性的图像鉴别系统、方法、装置
CN110837808A (zh) 一种基于改进的胶囊网络模型的高光谱图像分类方法
Ahmad et al. Hybrid dense network with attention mechanism for hyperspectral image classification
Wang et al. Scene change detection VIA deep convolution canonical correlation analysis neural network
CN115393698A (zh) 一种基于改进dpn网络的数字图像篡改检测方法
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
CN110287981B (zh) 基于生物启发性表征学习的显著性检测方法及系统
CN111598854A (zh) 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
CN116977747B (zh) 基于多路多尺度特征孪生网络的小样本高光谱分类方法
Carneiro et al. Grapevine variety identification through grapevine leaf images acquired in natural environment
Jangblad Object detection in infrared images using deep convolutional neural networks
CN110866552A (zh) 基于全卷积空间传播网络的高光谱图像分类方法
CN112052881B (zh) 基于多尺度近端特征拼接的高光谱图像分类模型的装置
CN116229153A (zh) 基于光谱空间融合Transformer特征提取的地物分类方法
CN115100128A (zh) 一种基于伪影噪声的深度伪造检测方法

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