CN113095218A - 一种高光谱图像目标检测算法 - Google Patents

一种高光谱图像目标检测算法 Download PDF

Info

Publication number
CN113095218A
CN113095218A CN202110384803.1A CN202110384803A CN113095218A CN 113095218 A CN113095218 A CN 113095218A CN 202110384803 A CN202110384803 A CN 202110384803A CN 113095218 A CN113095218 A CN 113095218A
Authority
CN
China
Prior art keywords
spectrum
network
image
discriminator
detection
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
CN202110384803.1A
Other languages
English (en)
Other versions
CN113095218B (zh
Inventor
冯燕
郜延龙
于旭敏
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202110384803.1A priority Critical patent/CN113095218B/zh
Publication of CN113095218A publication Critical patent/CN113095218A/zh
Application granted granted Critical
Publication of CN113095218B publication Critical patent/CN113095218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种高光谱图像目标检测算法，属于图像检测领域，包括：对高光谱图像中的光谱进行标记；构建生成对抗网络，将带有标签的光谱输入生成对抗网络的判别器，判别器在判别光谱真伪的同时也作为分类器对光谱的类别进行区分，判别器与分类器共享一部分网络权重；在达到一定迭代次数或是网络收敛时，进入检测过程，利用训练后的分类器对光谱进行分类，得到初步检测结果；之后利用引导滤波器对检测图像进行滤波，在保持图像边缘的同时引入空间信息，去除噪声及孤立点，提高检测精度。该方法利用生成对抗网络对目标光谱及待检测光谱进行样本扩充，在充分利用光谱信息的基础上也保留了图像的空间信息，去除噪声及孤立点，提高了检测精度。

Description

一种高光谱图像目标检测算法
技术领域
本发明属于图像检测领域，具体涉及一种高光谱图像目标检测算法。
背景技术
高光谱遥感图像因其能够提供成像场景中地物目标丰富的光谱特性信息，被广泛应用于地物分类、目标检测等领域。通过分析不同材料的光谱特性，就能够对场景中的感兴趣目标进行检测与识别。根据是否存在光谱先验信息，可将检测进一步分为无监督的异常检测以及有监督的基于目标光谱特征的目标检测。本专利所提出的算法属于有监督的高光谱目标检测，即通过少量的目标光谱先验信息，通过特定算法对高光谱图像进行处理，将图像中各个像素分为背景与目标两大类。
高光谱图像目标检测中，由于目标通常只占整个图像中的很小一部分，可利用的训练数据集相当有限，这就对高光谱图像目标检测提出了严峻挑战。传统目标检测算法主要是基于多变量统计分析与信号处理，包括光谱匹配滤波SMF、正交子空间投影OSP以及与之对应的基于核函数的检测算法。随着近些年来稀疏表示的广泛应用，基于稀疏分解的分类也越来越多地应用于高光谱图像的目标检测。即便如此，由于噪声以及高光谱图像非线性等问题，在有限目标光谱样本的情况下实现高准确度的目标检测仍是一个具有挑战性的问题。
生成对抗网络是一种生成式网络，可以用于生成特定分布的样本，其主要由生成器与判别器两部分网络构成。生成器网络用于产生虚拟样本，而判别器则是用于判别真实样本与虚假样本。通过交替训练生成器与判别器网络，生成对抗网络中的生成器就能够学习真实样本的分布，产生与真实样本相同分布的虚拟样本。
高光谱图像目标检测中，目标光谱通常非常有限，极大地影响对于光谱目标的高精度检测。本发明公开了一种高光谱图像目标检测算法。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种高光谱图像目标检测算法。
为了实现上述目的，本发明提供如下技术方案：
一种高光谱图像目标检测算法，包括以下步骤：
对高光谱图像数据进行归一化处理，使所述高光谱图像数据取值范围在0到1之间；
将已知数量为5至20的目标光谱样本的类别标签标记为1，其余所有待检测光谱的类别标签标记为0，组成训练集数据，用于训练生成对抗网络；
以多层全连接网络为基础构建生成对抗网络，所述生成对抗网络包括生成器与判别器两部分；
将带有类别标签的目标光谱样本及待检测光谱作为生成对抗网络的输入，生成器用于产生虚拟光谱，而判别器在判别光谱真伪的同时，也作为分类器预测输入光谱的类别标签；
利用后向传播算法对整个网络进行训练，更新判别器与生成器的网络权重；
在网络收敛或是迭代次数达到1500至2000之后，进入检测过程，将高光谱图像中的待检测光谱同时作为网络中判别器和分类器的输入，通过之前训练获得的分类器计算各像素的类别标签概率；
收集各像素的类别标签概率，利用图像空间的平滑特性对初步检测结果进行引导滤波，获得最终检测图。
优选地，所述生成器由多层全连接层组成，除输出层采用双曲正切tanh作为激活函数以外，其它的全连接层均采用Leaky ReLU作为激活函数：
Figure BDA0003014358980000021
判别器同样由若干全连接层构成，包括一个分支结构，分别输出真伪判别结果以及类别标签；除输出层采用Sigmoid函数作为激活函数以外，其它的全连接层均采用ReLU作为激活函数：
Figure BDA0003014358980000031
以及ReLu(x)＝max(x，0)。
优选地，所述判别器的优化目标函数包括两部分，一部分为基本生成对抗网络判别器损失，通过将真实及虚拟光谱判别为真的概率进行计算，另一部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算；
判别器优化目标函数为：
Figure BDA0003014358980000032
其中，θ表示判别器网络中的所有待优化网络权重，
Figure BDA0003014358980000033
分别表示判别器对真实样本、虚拟样本输出的真实概率值，c、
Figure BDA0003014358980000034
分别表示样本的类别标签以及预测类别标签。
优选地，所述生成器的优化目标函数由三部分构成，第一部分是基本生成对抗网络生成器损失，通过将虚拟光谱判别为真的概率进行计算；第二部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算；最后一部分为用于约束生成光谱平滑度的正则损失项，可以通过生成光谱的二阶差分绝对值进行近似计算：
Figure BDA0003014358980000035
其中，
Figure BDA0003014358980000036
表示生成器网络中的所有待优化网络权重，
Figure BDA0003014358980000037
表示网络生成的光谱，
Figure BDA0003014358980000038
表示生成光谱在p点处的值，α为正则项系数。
优选地，所述收集各像素的类别标签概率，利用图像空间的平滑特性对初步检测结果进行引导滤波，获得最终检测图的具体操作过程为：
通过各像素光谱获得其类别标签概率之后，再利用图像空间的平滑特性对不同训练时刻获得的多个初步检测图进行引导滤波，在保持图像边缘的同时对图像进行平滑处理，去除噪声点，通过逐点取均值的方式对多个检测结果进行融合，获得最终检测图。
本发明提供的高光谱图像目标检测算法具有以下有益效果：
本发明利用生成对抗网络对目标光谱及待检测光谱进行样本扩充，无需对目标光谱进行任何的先验分布假设；在扩充训练样本的同时，通过网络训练获得目标光谱分类器；之后利用引导滤波器对检测结果进行空间后处理，在充分利用光谱信息的基础上也保留了图像的空间信息，去除噪声及孤立点，提高了检测精度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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本发明实施例1的高光谱图像目标检测算法的网络训练及检测流程图；
图2生成对抗网络中生成器的网络结构图；
图3生成对抗网络中判别器的网络结构图；
图4对多个不同时刻的检测图进行处理获得检测结果图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种高光谱图像目标检测算法，具体如图1所示，包括以下步骤：
S1、对具有N像素、B个波段的高光谱图像进行数据归一化，使每个像素所对应光谱向量在各个波段的幅值均位于区间[0，1]内：
Figure BDA0003014358980000051
其中xi，b表示在高光谱图像中位于像素点i的光谱向量在波段b处的值；
S2、准备训练样本集数据：将已知的少量目标光谱样本(5至20)的类别标签标记为1，其余所有待检测光谱样本的类别标签标记为0，组成训练集数据，用于生成对抗网络的训练；
S3、以多层全连接网络为基础构建生成对抗网络，生成对抗网络包括生成器与判别器两部分。参见图2，生成器由多层全连接层所组成，除输出层采用双曲正切tanh作为激活函数以外，其它的全连接层均采用Leaky ReLU作为激活函数：
Figure BDA0003014358980000052
参见图3，判别器同样由若干全连接层构成，包括一个分支结构，分别输出真伪判别结果以及类别标签。除输出层采用Sigmoid函数作为激活函数以外，其它的全连接层均采用ReLU作为激活函数：
Figure BDA0003014358980000053
以及ReLU(x)＝max(x，0)
其中，图中标注的数字表示该全连接层的隐藏节点数目；
S4、参考图1，将带有类别标签的目标及待检测光谱作为生成对抗网络的输入，生成器用于产生虚拟光谱，而判别器在判别光谱真伪的同时，也作为分类器预测光谱的类别标签；
网络判别器的优化函数由两部分构成，一部分为基本生成对抗网络判别器损失，通过将真实及虚拟光谱判别为真的概率进行计算，另一部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算。因此判别器优化目标函数为：
Figure BDA0003014358980000054
另外由于上述目标函数难以收敛，并且概率值的范围在[0，1]之间，因此可以采用改进后的优化函数进行计算，即：
Figure BDA0003014358980000061
其中，θ表示判别器网络中的所有待优化网络权重，
Figure BDA0003014358980000062
分别表示判别器对真实样本、虚拟样本输出的真实概率值，c、
Figure BDA0003014358980000063
分别表示样本的类别标签以及预测类别标签。
网络生成器的损失函数由三部分构成，第一部分是基本生成对抗网络生成器损失，通过将虚拟光谱判别为真的概率进行计算，第二部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算，最后一部分为用于约束生成光谱平滑度的正则损失项，可以通过生成光谱的二阶差分绝对值进行近似计算：
Figure BDA0003014358980000064
其中，
Figure BDA0003014358980000065
表示生成器网络中的所有待优化网络权重，
Figure BDA0003014358980000066
表示网络生成的光谱，
Figure BDA0003014358980000067
表示生成光谱在p点处的值，α为正则项系数；
S5、生成对抗网络训练：根据网络判别器与生成器的损失函数，利用RMSProp算法对这两个部分的网络权重进行交替迭代更新，降低判别器与生成器的损失函数值。
S6、参考图1，在网络收敛或是达到一定迭代次数(如1500至2000)之后，停止网络训练，固定网络权重，进入检测过程：将高光谱图像中的待检测光谱作为网络中判别器(分类器)的输入，获得各像素的类别概率。参考图4，在不同的训练时间节点能获取不同的网络权重，因此能够获得多个类别概率。
S7、通过整合各像素的类别概率，获得初步目标检测图像。参考图4，通过各像素光谱获得其类别标签概率之后，再利用图像空间的平滑特性对不同训练时刻获得的多个初步检测图进行引导滤波，在保持图像边缘的同时对图像进行平滑处理，去除噪声点，通过逐点取均值的方式对多个检测结果进行融合，获得最终检测图。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (5)

1.一种高光谱图像目标检测算法，其特征在于，包括以下步骤：
对高光谱图像数据进行归一化处理，使所述高光谱图像数据取值范围在0到1之间；
将已知数量为5至20的目标光谱样本的类别标签标记为1，其余所有待检测光谱的类别标签标记为0，组成训练集数据，用于训练生成对抗网络；
以多层全连接网络为基础构建生成对抗网络，所述生成对抗网络包括生成器与判别器两部分；
将带有类别标签的目标光谱样本及待检测光谱作为生成对抗网络的输入，生成器用于产生虚拟光谱，而判别器在判别光谱真伪的同时，也作为分类器预测输入光谱的类别标签；
利用后向传播算法对整个网络进行训练，更新判别器与生成器的网络权重；
在网络收敛或是迭代次数达到1500至2000之后，进入检测过程，将高光谱图像中的待检测光谱同时作为网络中判别器和分类器的输入，通过之前训练获得的分类器计算各像素的类别标签概率；
收集各像素的类别标签概率，利用图像空间的平滑特性对初步检测结果进行引导滤波，获得最终检测图。
2.根据权利要求1所述的高光谱图像目标检测算法，其特征在于，所述生成器由多层全连接层组成，除输出层采用双曲正切tanh作为激活函数以外，其它的全连接层均采用LeakyReLU作为激活函数：
Figure FDA0003014358970000011
判别器同样由若干全连接层构成，包括一个分支结构，分别输出真伪判别结果以及类别标签；除输出层采用Sigmoid函数作为激活函数以外，其它的全连接层均采用ReLU作为激活函数：
Figure FDA0003014358970000012
以及ReLU(x)＝max(x，0)。
3.根据权利要求2所述的高光谱图像目标检测算法，其特征在于，所述判别器的优化目标函数包括两部分，一部分为基本生成对抗网络判别器损失，通过将真实及虚拟光谱判别为真的概率进行计算，另一部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算；
判别器优化目标函数为：
Figure FDA0003014358970000021
其中，θ表示判别器网络中的所有待优化网络权重，
Figure FDA0003014358970000022
分别表示判别器对真实样本、虚拟样本输出的真实概率值，c、
Figure FDA0003014358970000027
分别表示样本的类别标签以及预测类别标签。
4.根据权利要求3所述的高光谱图像目标检测算法，其特征在于，所述生成器的优化目标函数由三部分构成，第一部分是基本生成对抗网络生成器损失，通过将虚拟光谱判别为真的概率进行计算；第二部分为分类损失，通过光谱的预测类别与其真实类别的交叉熵进行计算；最后一部分为用于约束生成光谱平滑度的正则损失项，可以通过生成光谱的二阶差分绝对值进行近似计算：
Figure FDA0003014358970000023
其中，
Figure FDA0003014358970000024
表示生成器网络中的所有待优化网络权重，
Figure FDA0003014358970000025
表示网络生成的光谱，
Figure FDA0003014358970000026
表示生成光谱在p点处的值，α为正则项系数。
5.根据权利要求4所述的高光谱图像目标检测算法，其特征在于，所述收集各像素的类别标签概率，利用图像空间的平滑特性对初步检测结果进行引导滤波，获得最终检测图具体操作过程为：
通过各像素光谱获得其类别标签概率之后，再利用图像空间的平滑特性对不同训练时刻获得的多个初步检测图进行引导滤波，在保持图像边缘的同时对图像进行平滑处理，去除噪声点，通过逐点取均值的方式对多个检测结果进行融合，获得最终检测图。
CN202110384803.1A 2021-04-09 2021-04-09 一种高光谱图像目标检测算法 Active CN113095218B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110384803.1A CN113095218B (zh) 2021-04-09 2021-04-09 一种高光谱图像目标检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110384803.1A CN113095218B (zh) 2021-04-09 2021-04-09 一种高光谱图像目标检测算法

Publications (2)

Publication Number Publication Date
CN113095218A true CN113095218A (zh) 2021-07-09
CN113095218B CN113095218B (zh) 2024-01-26

Family

ID=76675978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110384803.1A Active CN113095218B (zh) 2021-04-09 2021-04-09 一种高光谱图像目标检测算法

Country Status (1)

Country Link
CN (1) CN113095218B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537031A (zh) * 2021-07-12 2021-10-22 电子科技大学 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法
CN116609672A (zh) * 2023-05-16 2023-08-18 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa -fnn算法的储能电池soc估计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563355A (zh) * 2017-09-28 2018-01-09 哈尔滨工程大学 基于生成对抗网络的高光谱异常检测方法
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN110119780A (zh) * 2019-05-10 2019-08-13 西北工业大学 基于生成对抗网络的高光谱图像超分辨重建方法
US20200065945A1 (en) * 2018-08-23 2020-02-27 Siemens Healthcare Gmbh Defective Pixel Correction Using Adversarial Networks
CN111368940A (zh) * 2020-03-25 2020-07-03 西北工业大学 一种基于引导滤波与核极限学习机的高光谱图像分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563355A (zh) * 2017-09-28 2018-01-09 哈尔滨工程大学 基于生成对抗网络的高光谱异常检测方法
US20200065945A1 (en) * 2018-08-23 2020-02-27 Siemens Healthcare Gmbh Defective Pixel Correction Using Adversarial Networks
CN109948693A (zh) * 2019-03-18 2019-06-28 西安电子科技大学 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN110119780A (zh) * 2019-05-10 2019-08-13 西北工业大学 基于生成对抗网络的高光谱图像超分辨重建方法
CN111368940A (zh) * 2020-03-25 2020-07-03 西北工业大学 一种基于引导滤波与核极限学习机的高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI WANG ET AL.: "Compressed Sensing Reconstruction of Hyperspectral Images Based on Spectral Unmixing", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, vol. 11, no. 4 *
张鹏强;刘冰;余旭初;谭熊;杨帆;周增华;: "面向高光谱影像分类的生成式对抗网络", 测绘通报, no. 03 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537031A (zh) * 2021-07-12 2021-10-22 电子科技大学 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法
CN113537031B (zh) * 2021-07-12 2023-04-07 电子科技大学 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法
CN116609672A (zh) * 2023-05-16 2023-08-18 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa -fnn算法的储能电池soc估计方法
CN116609672B (zh) * 2023-05-16 2024-05-07 国网江苏省电力有限公司淮安供电分公司 一种基于改进的bwoa-fnn算法的储能电池soc估计方法

Also Published As

Publication number Publication date
CN113095218B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN109948693B (zh) 基于超像素样本扩充和生成对抗网络高光谱图像分类方法
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN109949278B (zh) 基于对抗自编码网络的高光谱异常检测方法
CN108389188B (zh) 一种稀疏高光谱异常目标检测方法
CN109919241B (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN102663752B (zh) 一种sam加权kest高光谱异常检测算法
CN109446894B (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN112434745A (zh) 基于多源认知融合的遮挡目标检测识别方法
CN113095218B (zh) 一种高光谱图像目标检测算法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN111222442A (zh) 一种电磁信号分类方法和装置
CN110751087A (zh) 一种基于eof的无人机信号识别系统和方法
CN104933410B (zh) 一种高光谱图像光谱域与空间域联合分类方法
CN109145738A (zh) 基于加权非凸正则化和迭代重约束低秩表示的动态视频分割方法
CN107346549B (zh) 一种利用遥感影像多特征的多类别变化动态阈值检测方法
CN111222576B (zh) 一种高分辨率遥感图像分类方法
CN112784777A (zh) 基于对抗学习的无监督高光谱图像变化检测方法
CN112990357A (zh) 一种基于稀疏扰动的黑盒视频对抗样本生成方法
Chen et al. Multimodal learning for classification of solar radio spectrum
CN112556682A (zh) 一种水下复合传感器目标自动检测算法
CN109447009B (zh) 基于子空间核范数正则化回归模型的高光谱图像分类方法
CN111666999A (zh) 一种遥感图像的分类方法
CN114627424A (zh) 一种基于视角转化的步态识别方法和系统
CN112733775A (zh) 基于深度学习的高光谱影像分类方法

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