CN112966779A - 一种PolSAR影像半监督分类方法 - Google Patents
一种PolSAR影像半监督分类方法 Download PDFInfo
- Publication number
- CN112966779A CN112966779A CN202110335006.4A CN202110335006A CN112966779A CN 112966779 A CN112966779 A CN 112966779A CN 202110335006 A CN202110335006 A CN 202110335006A CN 112966779 A CN112966779 A CN 112966779A
- Authority
- CN
- China
- Prior art keywords
- classification
- data set
- layer
- pixel
- classifier
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001427 coherent effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 23
- 238000013135 deep learning Methods 0.000 description 9
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- 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
本发明公开了雷达遥感图像处理技术领域的一种PolSAR影像半监督分类方法,在少量训练样本的基础上,利用Wishart分类器、SVM分类器和CV‑CNN模型对图像进行分类,分类结果再进行多数投票,产生强数据集和弱数据集;将强数据集作为伪标签,用CV‑CNN模型对弱数据集进行重新分类,为了充分利用强数据集,利用强数据集产生的伪标签对弱数据集重新分类三次;通过多数投票的方式对三种分类结果进行整合,最后将强数据集与重分类结果相结合,得到最终分类结果,本方法采用多数投票的方法扩充CV‑CNN模型的训练样本,进一步提高分类性能,同时充分利用各分类器各自的优势,在训练样本数量较少的情况下,提高分类的总体精度,该方法相对于传统的监督分类方法具有显著优越性。
Description
技术领域
本发明涉及雷达遥感图像处理技术领域,具体为一种PolSAR影像半监督分类方法。
背景技术
合成孔径雷达(SAR)系统是一种主动微波成像系统,可以在白天和夜间以及各种天气条件下获得高分辨率图像。极化SAR(PolSAR)系统作为SAR的一种高级形式,可以在不同的极化模式下对观测到的地表覆盖类型进行表征,并具有较强的散射信息获取能力,因此得到了广泛的应用。
近年来,基于深度学习的遥感影像分类技术在PolSAR影像分类领域得到了越来越广泛的应用。深度学习作为机器学习的一个子集,可以有效地处理大量数据,并具有很强的特征提取能力。在深度判别网络中,实数卷积神经网络(RV-CNN)模型是最受欢迎的模型之一。由于具有特殊的多维卷积运算,RV-CNN模型在图像数据分类中具有显著优势。然而,RV-CNN模型只使用了PolSAR图像的振幅信息,而忽略了相位信息。对于以协方差矩阵或相干矩阵表示的PolSAR数据,非对角线元素的相位对不同类型散射体的区分起着重要作用。
深度学习技术在PolSAR影像解译中取得了巨大的成功,总体上来说,取得了比传统分类器更好的性能。然而,基于深度学习技术模型的分类结果在很大程度上依赖于大量的标记样本。缺乏训练样本往往导致分类结果较差,因此,半监督分类在深度学习中逐渐流行,因为它避免了获取大量标记样本这一劳动密集型任务,并且可以充分利用已有的标记训练样本。在光学遥感图像分类领域产生了很多半监督分类算法。然而,对于PolSAR影像分类领域,半监督分类算法的研究相对不足。深度学习的另一个缺点是,它往往在区分具有相似纹理但不同散射特性的物体时有困难。相比之下,传统的分类器,如Wishart分类器是基于复Wishart分布,可以充分利用到PolSAR数据的散射特征。因此,每种方法都有自己的优缺点。基于多分类器的融合策略已被大量开发出来,其主要目的是充分利用各分类器的优势。从理论上讲,多分类器的组合通常能够获得更好的分类结果。多数投票是应用最广泛的多分类器集成策略之一,它主要利用到选择投票票数最多的预测类。
目前,深度学习方法和遥感影像信息提取是近年来的研究热点之一,深度学习在极化合成孔径雷达(PolSAR)图像分类中取得了巨大的成功。然而,当标记训练数据集不充分时,分类结果往往不理想。此外,深度学习方法是基于层次特征的,这是一种不能充分利用PolSAR影像散射特性的方法,故具有局限性,基于此,本发明设计了一种PolSAR影像半监督分类方法,以解决上述问题。
发明内容
本发明的目的在于提供一种PolSAR影像半监督分类方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种PolSAR影像半监督分类方法,包括如下步骤:
S1:在少量训练样本的基础上,利用Wishart分类器、SVM分类器和CV-CNN模型对样本进行分类,分类结果再进行多数投票,产生强数据集和弱数据集;
S2:将强数据集作为伪标签,用CV-CNN模型对弱数据集进行重新分类,为了充分利用强数据集,利用强数据集产生的伪标签对弱数据集重新分类三次,通过多数投票的方式对三种分类结果进行整合;
S3:最后将强数据集与重分类结果相结合,得到最终分类结果;
所述CV-CNN模型由输入层、输出层、卷积层、池化层和全连接层组成,卷积层的作用是对滤波器进行卷积,提取出前一层神经元的不同特征。对于输入图像,每个滤波器都会检测到特定的区域特征,即每个特征图代表前一层不同区域的特定特征。卷积层的输出结果可以写成:
池化层通常在卷积层之后,既可以简化空间结构,又可以合并输入特征映射的相似特征,池化层可以看作是一种降采样层;
在全连接层中,每个神经元都与前一层的所有神经元相连,可以将其视为一个特殊的卷积层;全连接层输出可以表示为:
式中M为第l个全连接层神经元数量;
输出层实际上是一个用复数向量表示的分类器,它表示像素属于某类别的概率;然后,通过最小化损失函数,以监督分类的方式学习网络中的所有参数,损失函数可以写成:
式中T[n]表示第n个输出层。
进一步的,所述步骤S1中,如果Wishart分类器、SVM分类器和CV-CNN模型同时对某个像素的分类类别一致,就用投票后的类标签将该像素分类到强数据集;否则,它将被划分为不确定类标签的弱数据集。
进一步的,所述步骤S2在多数投票过程中,从强数据集采集三次样本,之后将采集的样本作为伪标签通过CV-CNN模型进行三次训练和分类,投票结果和票数最多的类别一致。
进一步的,所述步骤S1中根据多数投票原则,如果一个像素被基分类器最频繁地识别为一个类,我们将这个类标签给该像素,该过程遵循了两个原则:多数人的决定优于个人的决定;好的分类器优于相对较差的分类器,根据大量研究表明,当考虑相干矩阵的元素和一些其他极化参数,如熵和散射角时,支持向量机的分类结果将优于基于极大似然原理的Wishart分类器,由于样本量太少,CV-CNN模型的分类结果可靠性不如SVM分类器的分类结果;因此,当三个分类器在投票系统中有不同的意见时,将SVM分类器的结果作为最终结果。
进一步的,所述步骤S1中还包括对于一幅极化SAR影像P,基于少量样本的情况下,采用三种分类器对P进行分类,产生三个分类结果,多数投票步骤如下:对于某个像素p,如果三个分类器的结果互相冲突,也就是两两不一致,则把SVM分类器的分类结果类别A设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别。
进一步的,所述步骤S2中多数投票的结果都是CV-CNN模型所产生的,而且分类所采用的训练样本量得到了很大提升,多数投票步骤如下:对于某个像素q,如果三个分类结果互相冲突,也就是两两不一致,则把精度最高的CV-CNN分类结果设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别。
与现有技术相比,本发明的有益效果是:本发明采用多数投票的方法扩充CV-CNN模型的训练样本,进一步提高分类性能,同时充分利用各分类器各自的优势,在训练样本数量较少的情况下,提高分类的总体精度,该方法相对于传统的监督分类方法具有显著优越性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图;
图2为本发明CV-CNN模型结构示意图;
图3为本发明第一次多数投票流程图;
图4为本发明第二次多数投票流程图。
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、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前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
请参阅图1-4,本发明提供一种技术方案:一种PolSAR影像半监督分类方法,包括如下步骤:
S1:在少量训练样本的基础上,利用Wishart分类器、SVM分类器和CV-CNN模型对样本进行分类,分类结果再进行多数投票,产生强数据集和弱数据集,从而扩展了标记的训练样本,避免因缺乏标记样本而导致较差的分类结果;根据多数投票原则,如果一个像素被基分类器最频繁地识别为一个类,我们将这个类标签给该像素,该过程遵循了两个原则:多数人的决定优于个人的决定;好的分类器优于相对较差的分类器,根据大量研究表明,当考虑相干矩阵的元素和一些其他极化参数,如熵和散射角时,支持向量机的分类结果将优于基于极大似然原理的Wishart分类器,由于样本量太少,CV-CNN模型的分类结果可靠性不如SVM分类器的分类结果;因此,当三个分类器在投票系统中有不同的意见时,将SVM分类器的结果作为最终结果;在对于一幅极化SAR影像P,基于少量样本的情况下,采用三种分类器对P进行分类,产生三个分类结果,多数投票步骤如下:对于某个像素p,如果三个分类器的结果互相冲突,也就是两两不一致,则把SVM分类器的分类结果类别A设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别;
S2:将强数据集作为伪标签,用CV-CNN模型对弱数据集进行重新分类,为了充分利用强数据集,利用强数据集产生的伪标签对弱数据集重新分类三次,通过多数投票的方式对三种分类结果进行整合;多数投票的结果都是CV-CNN模型所产生的,而且分类所采用的训练样本量得到了很大提升,多数投票步骤如下:对于某个像素q,如果三个分类结果互相冲突,也就是两两不一致,则把精度最高的CV-CNN分类结果设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别;
S3:最后将强数据集与重分类结果相结合,得到最终分类结果;
CV-CNN模型由输入层、输出层、卷积层、池化层和全连接层组成,卷积层的作用是对滤波器进行卷积,提取出前一层神经元的不同特征。对于输入图像,每个滤波器都会检测到特定的区域特征,即每个特征图代表前一层不同区域的特定特征。卷积层的输出结果可以写成:
池化层通常在卷积层之后,既可以简化空间结构,又可以合并输入特征映射的相似特征,池化层可以看作是一种降采样层;
在全连接层中,每个神经元都与前一层的所有神经元相连,可以将其视为一个特殊的卷积层;全连接层输出可以表示为:
式中M为第l个全连接层神经元数量;
输出层实际上是一个用复数向量表示的分类器,它表示像素属于某类别的概率;然后,通过最小化损失函数,以监督分类的方式学习网络中的所有参数,损失函数可以写成:
式中T[n]表示第n个输出层。
其中,步骤S1中,如果Wishart分类器、SVM分类器和CV-CNN模型同时对某个像素的分类类别一致,就用投票后的类标签将该像素分类到强数据集;否则,它将被划分为不确定类标签的弱数据集;
在获得强数据集并扩大训练样本数量后,可以使用更多的样本对PolSAR影像进行分类;一般来说,CV-CNN模型只对弱数据集进行一次分类更容易,也更快,但是为了充分利用强数据集和抑制错误分类像素的干扰,步骤S2在多数投票过程中,从强数据集采集三次样本,之后将采集的样本作为伪标签通过CV-CNN模型进行三次训练和分类,投票结果和票数最多的类别一致。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种PolSAR影像半监督分类方法,其特征在于,包括如下步骤:
S1:在少量训练样本的基础上,利用Wishart分类器、SVM分类器和CV-CNN模型对样本进行分类,分类结果再进行多数投票,产生强数据集和弱数据集;
S2:将强数据集作为伪标签,用CV-CNN模型对弱数据集进行重新分类,为了充分利用强数据集,利用强数据集产生的伪标签对弱数据集重新分类三次,通过多数投票的方式对三种分类结果进行整合;
S3:最后将强数据集与重分类结果相结合,得到最终分类结果;
所述CV-CNN模型由输入层、输出层、卷积层、池化层和全连接层组成,卷积层的作用是对滤波器进行卷积,提取出前一层神经元的不同特征,对于输入图像,每个滤波器都会检测到特定的区域特征,即每个特征图代表前一层不同区域的特定特征,卷积层的输出结果可以写成:
池化层通常在卷积层之后,既可以简化空间结构,又可以合并输入特征映射的相似特征,池化层可以看作是一种降采样层;
在全连接层中,每个神经元都与前一层的所有神经元相连,可以将其视为一个特殊的卷积层;全连接层输出可以表示为:
式中M为第l个全连接层神经元数量;
输出层实际上是一个用复数向量表示的分类器,它表示像素属于某类别的概率;然后,通过最小化损失函数,以监督分类的方式学习网络中的所有参数,损失函数可以写成:
式中T[n]表示第n个输出层。
2.根据权利要求1所述的一种PolSAR影像半监督分类方法,其特征在于:所述步骤S1中,如果Wishart分类器、SVM分类器和CV-CNN模型同时对某个像素的分类类别一致,就用投票后的类标签将该像素分类到强数据集;否则,它将被划分为不确定类标签的弱数据集。
3.根据权利要求1所述的一种PolSAR影像半监督分类方法,其特征在于:所述步骤S2在多数投票过程中,从强数据集采集三次样本,之后将采集的样本作为伪标签通过CV-CNN模型进行三次训练和分类,投票结果和票数最多的类别一致。
4.根据权利要求1所述的一种PolSAR影像半监督分类方法,其特征在于:所述步骤S1中根据多数投票原则,如果一个像素被基分类器最频繁地识别为一个类,我们将这个类标签给该像素,该过程遵循了两个原则:多数人的决定优于个人的决定;好的分类器优于相对较差的分类器,根据大量研究表明,当考虑相干矩阵的元素和一些其他极化参数,如熵和散射角时,支持向量机的分类结果将优于基于极大似然原理的Wishart分类器,由于样本量太少,CV-CNN模型的分类结果可靠性不如SVM分类器的分类结果;因此,当三个分类器在投票系统中有不同的意见时,将SVM分类器的结果作为最终结果。
5.根据权利要求4所述的一种PolSAR影像半监督分类方法,其特征在于:所述步骤S1中还包括对于一幅极化SAR影像P,基于少量样本的情况下,采用三种分类器对P进行分类,产生三个分类结果,多数投票步骤如下:对于某个像素p,如果三个分类器的结果互相冲突,也就是两两不一致,则把SVM分类器的分类结果类别A设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别。
6.根据权利要求1所述的一种PolSAR影像半监督分类方法,其特征在于:所述步骤S2中多数投票的结果都是CV-CNN模型所产生的,而且分类所采用的训练样本量得到了很大提升,多数投票步骤如下:对于某个像素q,如果三个分类结果互相冲突,也就是两两不一致,则把精度最高的CV-CNN分类结果设定为该像素的分类类别;如果三个分类器的分类结果一致,则把一致的结果设定为该像素的类别;如果三个分类器的结果中其中两个结果一致,则把两个一致的结果设定为该像素的分类类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110335006.4A CN112966779A (zh) | 2021-03-29 | 2021-03-29 | 一种PolSAR影像半监督分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110335006.4A CN112966779A (zh) | 2021-03-29 | 2021-03-29 | 一种PolSAR影像半监督分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966779A true CN112966779A (zh) | 2021-06-15 |
Family
ID=76278786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110335006.4A Pending CN112966779A (zh) | 2021-03-29 | 2021-03-29 | 一种PolSAR影像半监督分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966779A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409335A (zh) * | 2021-06-22 | 2021-09-17 | 西安邮电大学 | 基于强弱联合半监督直觉模糊聚类的图像分割方法 |
CN114037896A (zh) * | 2021-11-09 | 2022-02-11 | 合肥工业大学 | 基于多指标卷积自编码器的PolSAR地物精细分类方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268557A (zh) * | 2014-09-15 | 2015-01-07 | 西安电子科技大学 | 基于协同训练和深度svm的极化sar分类方法 |
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
JPWO2015041295A1 (ja) * | 2013-09-18 | 2017-03-02 | 国立大学法人 東京大学 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
CN109344777A (zh) * | 2018-10-09 | 2019-02-15 | 电子科技大学 | 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN110866530A (zh) * | 2019-11-13 | 2020-03-06 | 云南大学 | 一种字符图像识别方法、装置及电子设备 |
CN112434628A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于主动学习和协同表示的小样本极化sar图像分类方法 |
CN112488237A (zh) * | 2020-12-07 | 2021-03-12 | 北京天融信网络安全技术有限公司 | 一种分类模型的训练方法及装置 |
-
2021
- 2021-03-29 CN CN202110335006.4A patent/CN112966779A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2015041295A1 (ja) * | 2013-09-18 | 2017-03-02 | 国立大学法人 東京大学 | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 |
CN104268557A (zh) * | 2014-09-15 | 2015-01-07 | 西安电子科技大学 | 基于协同训练和深度svm的极化sar分类方法 |
CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
CN106650721A (zh) * | 2016-12-28 | 2017-05-10 | 吴晓军 | 一种基于卷积神经网络的工业字符识别方法 |
CN107742133A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种用于极化sar图像的分类方法 |
CN108734228A (zh) * | 2018-06-14 | 2018-11-02 | 中交第二公路勘察设计研究院有限公司 | 综合多特征的极化sar图像随机森林分类方法 |
CN109344777A (zh) * | 2018-10-09 | 2019-02-15 | 电子科技大学 | 基于elm的高光谱遥感影像土地利用覆盖的优化分类方法 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN110866530A (zh) * | 2019-11-13 | 2020-03-06 | 云南大学 | 一种字符图像识别方法、装置及电子设备 |
CN112434628A (zh) * | 2020-11-30 | 2021-03-02 | 西安理工大学 | 基于主动学习和协同表示的小样本极化sar图像分类方法 |
CN112488237A (zh) * | 2020-12-07 | 2021-03-12 | 北京天融信网络安全技术有限公司 | 一种分类模型的训练方法及装置 |
Non-Patent Citations (6)
Title |
---|
P. DU ET AL: "Feature and Model Level Fusion of Pretrained CNN for Remote Sensing Scene Classification", 《APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
SUNGBIN CHOI ET AL: "Plant identification with deep convolutional neural network: SNUMedinfo at LifeCLEF plant identification task 2015", 《CEUR-WS》 * |
WEN XIE ET AL: "PolSAR image classification via a novel semi-supervised recurrent complex-valued convolution neural network", 《NEUROCOMPUTING》 * |
XIAOSHUANG MA ET AL: "Polarimetric-Spatial Classification of SAR Images Based on the Fusion of Multiple Classifiers", 《SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
叶志京: "面向高光谱图像空谱分类的学习算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
马改妮: "基于复值神经网络的PolSAR图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409335A (zh) * | 2021-06-22 | 2021-09-17 | 西安邮电大学 | 基于强弱联合半监督直觉模糊聚类的图像分割方法 |
CN114037896A (zh) * | 2021-11-09 | 2022-02-11 | 合肥工业大学 | 基于多指标卷积自编码器的PolSAR地物精细分类方法 |
CN114037896B (zh) * | 2021-11-09 | 2024-02-13 | 合肥工业大学 | 基于多指标卷积自编码器的PolSAR地物精细分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A deep translation (GAN) based change detection network for optical and SAR remote sensing images | |
Zhu et al. | Deep learning meets SAR: Concepts, models, pitfalls, and perspectives | |
Dhingra et al. | A review of remotely sensed satellite image classification | |
Liu et al. | C-CNN: Contourlet convolutional neural networks | |
Amato et al. | Deep learning for decentralized parking lot occupancy detection | |
WO2019169816A1 (zh) | 一种用于精细化识别车辆属性的深度神经网络及训练方法 | |
Zhang et al. | Unsupervised spatial-spectral cnn-based feature learning for hyperspectral image classification | |
CN112966779A (zh) | 一种PolSAR影像半监督分类方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
Baeta et al. | Learning deep features on multiple scales for coffee crop recognition | |
Dev et al. | Machine learning techniques and applications for ground-based image analysis | |
Fan et al. | A novel joint change detection approach based on weight-clustering sparse autoencoders | |
CN115170961A (zh) | 一种基于深度跨域少样本学习的高光谱图像分类方法及系统 | |
CN116206306A (zh) | 一种类间表征对比驱动的图卷积点云语义标注方法 | |
Liu et al. | Recognition of pyralidae insects using intelligent monitoring autonomous robot vehicle in natural farm scene | |
Li et al. | Enhanced bird detection from low-resolution aerial image using deep neural networks | |
Sun et al. | A two-stage vehicle type recognition method combining the most effective Gabor features | |
Ma et al. | Land cover classification for polarimetric sar image using convolutional neural network and superpixel | |
Ghosh et al. | Automatic annotation of planetary surfaces with geomorphic labels | |
Venkateswaran et al. | Performance comparison of wavelet and contourlet frame based features for improving classification accuracy in remote sensing images | |
CN111275077A (zh) | 多视角特征联合学习下的机载激光雷达点云语义标注方法 | |
CN114783054B (zh) | 一种基于无线和视频特征融合的步态识别方法 | |
Yang et al. | Supervised land-cover classification of TerraSAR-X imagery over urban areas using extremely randomized clustering forests | |
Nasrabadi et al. | Automatic target recognition using deep convolutional neural networks | |
CN112580442B (zh) | 一种基于多维金字塔层次模型的行为识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210615 |