CN113159189A - 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统 - Google Patents

基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统 Download PDF

Info

Publication number
CN113159189A
CN113159189A CN202110444476.4A CN202110444476A CN113159189A CN 113159189 A CN113159189 A CN 113159189A CN 202110444476 A CN202110444476 A CN 202110444476A CN 113159189 A CN113159189 A CN 113159189A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
classification
hyperspectral 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.)
Pending
Application number
CN202110444476.4A
Other languages
English (en)
Inventor
孔亚迪
吴泽彬
徐洋
韦志辉
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110444476.4A priority Critical patent/CN113159189A/zh
Publication of CN113159189A publication Critical patent/CN113159189A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种双分支多注意力卷积神经网络的高光谱图像分类方法及系统，所述方法包括：对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练；利用训练好的卷积神经网络对测试集进行分类，从而达到对高光谱遥感图像分类的目的。本发明充分利用高光谱图像中多尺度的光谱信息和空间信息，能够对高光谱遥感数据进行快速精确的分类。

Description

基于双分支多注意力卷积神经网络的高光谱图像分类方法及 系统
技术领域
本发明属于遥感图像处理领域，具体涉及一种基于双分支多注意力的卷积神经网络的高光谱图像分类方法及系统。
背景技术
近年来，空间信息技术的发展和卫星数量的增加为遥感技术的发展提供了丰富的具有空间和光谱信息的遥感图像数据。高光谱图像作为一种特殊的遥感图像，其光谱覆盖范围广，包括了紫外、可见光、近红外以及中红外区域，且带有丰富的空间信息和光谱信息，被广泛应用于环境监测、城市规划、国防、地质勘测和农作物检测等领域。
高光谱图像的突出特点在于：
由于成像光谱仪能获得整个可见光、近红外、短波红外、热红外波段的多而窄的连续光谱，波段数多至几十甚至数百且光谱分辨率可以达到纳米级，使得高光谱图像光谱分辨率高，光谱波段多且窄。
图谱合一，高光谱图像包含了地物丰富的空间和光谱信息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元组为目标获得它们的辐射强度以及光谱特征。
光谱波段多，在某一光谱段范围内连续成像。成像光谱仪的光谱波段多，一般是几十个或者几百个，有的甚至高达上千个，而且这些光谱波段一般在成像范围内都是连续成像，因此，成像光谱仪能够获得地物在一定范围内连续的、精细的光谱曲线。
结合高光谱图像的上述特点，在处理高光谱图像时如何充分利用高光谱图像中丰富有效的空间和光谱信息，如何快速稳定的处理高光谱图像成为了一项巨大的挑战。
高光谱图像处理包括分类、解混、变化检测和目标检测等，其中高光谱图像分类作为高光谱图像处理的主要任务之一，旨在根据像素特征为其分配特定的类别标签，从而获得地物的分布图来反映地物的真实分布情况，为后续对于高光谱图像的其他处理提供基础。
特征提取作为高光谱图像分类的一项重要挑战，已经有了许多研究，与传统的手工制作的特征提取相比，深度学习可以通过识别信息自动学习特征。然而，在基于深度学习的高光谱分类研究中，如何联合提取光谱特征和空间特征仍是一项难题。卷积神经网络是深度学习的一个重要分支也是图像识别领域的热门话题。由于高光谱图像中混杂着大量的混合像元，同时包含空间信息和光谱信息，其中光谱信息分辨率高，一般达到纳米级，而空间分辨率相对较低，传统的高光谱图像分类模型只考虑光谱特征，忽略了图像空间结构信息在分类中的重要作用。卷积神经网络由于能够有效地提取像素之间的空间特征，可以在保留原始结构的同时利用空间特征，因此成为了高光谱图像分类的一种流行方法。
高光谱传感器能够得到上百波段的连续图像，其中包含丰富的光谱空间信息，在利于地物判断的同时也给高光谱图像分类带来了难题。高光谱图像分类是一项重要且具有挑战性的任务，其难点在于其光谱波段多需要处理的数据大，计算复杂；高光谱图像中有着丰富的光谱和空间信息，充分挖掘空间光谱特征信息也是一项难题；高光谱图像标记样本少，标记样本获取困难，如何小样本下实现精确的分类结果是一个挑战。
发明内容
本发明的目的在于提供一种基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统。
实现本发明目的的解决方案为：一种基于双分支多注意力卷积神经网络的高光谱图像分类方法，包括：
对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；
使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练；
利用训练好的卷积神经网络对测试集进行分类，达到对高光谱遥感图像分类的目的。
本发明还提供一种基于卷积神经网络的高光谱遥感图像分类系统，包括以下模块：
文件管理模块：导入或选择高光谱图像数据文件，用于图像分类阶段的模型训练；
模型选择模块：选择导入已有模型来导入自己的模型或选择默认模型即双分支多注意力卷积神经网络；
图像分类模块：启动分类模块进行高光谱图像分类处理；
分类结果分析模块：对于不同方法分类后的结果进行分析评价。
与现有技术相比，本发明的有益效果在于：本发明根据高光谱遥感图像数据有丰富的光谱和空间信息，提出了一种双分支多注意力卷积神经网络的高光谱图像分类方法，旨在挖掘不同尺度下的高级上下文语义信息，充分融合空间和光谱特征；同时进一步探索光谱信息和空间信息对高光谱图像分类的贡献，引入注意力模块来平衡两种信息的关系。
附图说明
图1是本发明基于双分支多注意力卷积神经网络的高光谱图像分类方法的流程图。
图2是Indian Pines高光谱数据集的真实地物图。
图3是本发明提出的基于双分支多注意力卷积神经网络的高光谱图像分类方法模型图。
图4是分类实验结果对比图，其中(a)为RBF-SVM分类结果，(b)为本发明提出方法分类结果图。
具体实施方式
如图1所示，本发明提供一种基于双分支多注意力的卷积神经网络的高光谱图像分类方法，包括如下步骤：
S1、对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；
S2、使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练；
S3、利用训练好的卷积神经网络对测试集进行分类，从而达到对高光谱遥感图像分类的目的。
作为本发明的一种优选实施方式，所述步骤S1具体步骤如下：
S11、计算高光谱图像数据集中数据的均值；
S12、将所述高光谱图像数据集中每个样本数据的值减去均值；
S13、将所述减去均值的高光谱集进行相同分辨率下的重塑。
作为本发明的一种优选实施方式，所述步骤S2具体步骤如下：
S21、设计使用了多尺度滤波器组来分别获取空间和光谱信息，该滤波器组使用三个不同大小的卷积滤波器(1×1、3×3和5×5)对输入的高光谱图像进行卷积，其中，3×3和5×5滤波器来处理图像的空间特征信息，而1×1的滤波器则用来处理光谱特征信息；
S22、设计双分支网络框架，利用多尺度滤波器组来分别提取空间和光谱信息特征，同时加入密集连接将特征串联在一起，在两个分支的每个卷积层之后添加一个全连接层来加入基于不同层中的特征信息，全连接层的输出表示如下：
yi＝f[wi(spei+spai)+bi]
其中spe和spa表示光谱分支和空间分支，i＝1，2，3表示第i个FC层的输出，且最终FC层计算为：
x＝concat(y1,y2,y3)
S23、设计空间光谱双注意力块对空间光谱特征进行集中，减少其他区域的重量。优化网络参数，减轻训练网络时出现的过拟合现象，得到优化后的双层卷积神经网络。
作为本发明的一种优选实施方式，所述步骤S3具体步骤如下：
S31、将卷积神经网络的待训练系数进行初始化，初始化值为[-P,P]区间的随机值，其中P为小于1的常数；
S32、对所述卷积神经网络进行正向传播训练，训练时采用的模型为xi+1＝fi(ui)，ui＝Wixi+bi
其中，xi为第i层的输入Wi为第i层的权值向量，bi第i层的附加偏置向量；fi(·)表示第i层的激活函数，ui表示第i层的输出；
S33、对步骤S32获得的双分支多注意力卷积神经网络进行反向传播训练：通过双分支多注意力卷积神经网络的反向训练的输出结果与预设的期望进行比较，不断的迭代更新所述训练系数，迭代过程如下：
Figure BDA0003036241950000041
Figure BDA0003036241950000051
其中，学习率α为反向传播强度的控制因子；当输出结果满足期望值时，迭代终止，获得训练好的双分支多注意力卷积神经网络。
进一步地，本发明还提供了一种基于双分支多注意力的卷积神经网络高光谱图像分类系统，用于实现上述卷积神经网络高光谱图像分类方法，该系统包括以下模块：
文件管理模块：导入或选择高光谱图像数据文件用于图像分类阶段的模型训练，系统中预设了三个高光谱通用数据集，使用时可直接选取，也可以自行导入高光谱图像数据进行后续分类处理；
模型选择模块：可选择导入已有模型来导入自己的模型或选择默认模型即双分支多注意力卷积神经网络，管理模型功能可以查看已有模型，且可以选择删除模型；
图像分类模块：启动分类模块进行高光谱图像分类处理；
分类结果分析模块：对于不同方法分类后的结果进行分析评价。
在本发明的一种基于双分支多注意力卷积神经网络的高光谱图像分类系统中的文件管理模块包含如下子模块：
选取预存数据集：用于导入或选择高光谱图像数据文件用于图像分类阶段的模型训练，系统中预设了三个高光谱通用数据集，使用时可直接选取，也可以自行导入高光谱图像数据进行后续分类处理；
导入自选数据集：用于导入或选择高光谱图像真实地物图，系统中预设了三个高光谱通用数据集的真实地物图，使用时也可自行导入真实地物图，可与后续分类过程生成的分类结果图进行比较分析；
参数设置：用于手动输入目标像元的坐标，显示其对应的光谱曲线信息。
在本发明的一种基于双分支多注意力卷积神经网络的高光谱图像分类系统中的选择模块包含如下子模块：
导入已有模型：用于导入自己已有可运行的高光谱图像分类模型；
选择默认模型：用于选择系统预存的双分支多注意力高光谱图像分类模型；
管理模型：用于查看系统已有模型和删除已有模型。
在本发明的一种基于双分支多注意力卷积神经网络的高光谱图像分类系统中的图像分类模块包含如下子模块：
分类模块：用于启动分类模块进行高光谱图像分类处理，分类完成后，界面会显示分类时长以及分类精度，并且会同时显示原图像、特征图像和分类结果图，使得使用者在使用分析模块之前就可直观地感受到分类的结果好坏。
在本发明的一种基于双分支多注意力卷积神经网络的高光谱图像分类系统中的分类结果分析模块包含如下子模块：
分析模块：用于对于不同方法分类后的结果进行分析评价，通过比较不同模块的分类结果分析各个模块的优缺点，为后续进一步的研究做准备。分析模块通过总精度(OA)，平均精度(AA)和Kappa系数，以及分类结果图，对各个模块进行分类结果的比较和评价。
为了使本发明的目的、技术方法及优点更加清晰，以下结合附图及实例，对本发明进行进一步详细说明。
实施例
选取的高光谱图像数据集为Indian Pines图像，如图2为真实地物图，IndianPines图像是由AVIRIS传感器在印第安纳州西部的印度松树试验场采集的高光谱图像，该数据集由145×145个像素和224个光谱反射带组成，波长范围为0.4-2.5×10-6米。印度松树景观有三分之二的农业，三分之一的森林和其他天然多年生植被。实验使用的数据去除了20个低信噪比和水汽吸收波段(波段号为：104-108，150-163，220)，将波段减少到200个，共分为16种地物，选取15％的训练样本进行实验。
设计双分支设计双分支网络框架，利用多尺度滤波器组来分别提取空间和光谱信息特征，同时加入密集连接将特征串联在一起，在两个分支的每个卷积层之后添加一个全连接层来加入基于不同层中的特征信息，设计空间光谱双注意力块对空间光谱特征进行集中，减少其他区域的重量。优化网络参数，减轻训练网络时出现的过拟合现象，得到优化后的双层卷积神经网络，如图3网络结构图所示。
通过与经典算法SVM对比，从Indian Pines数据集每类选取15％的训练样本进行实验，结果如表1所示。
表1
Figure BDA0003036241950000071
图4展示了对应的分类结果图，从图中可以直观的比较出几种分类方法的分类效果，显然，本发明的双分支多注意力的方法与经典分类算法SVM相比效果更好。
由分类结果表1可以看出，虽然SVM对于地物类别“Stone-Steel-Towers”的分类效果比本发明提出模型要好，但双分支多注意力模型相对于其他几种来说，表现得最为均衡，最为平滑，对于每种地物分类效果都较好，没有分类错误过多的情况出现，最终取得了最好的分类效果。

Claims (9)

1.一种基于双分支多注意力卷积神经网络的高光谱图像分类方法，其特征在于，包括：
对高光谱图像进行归一化预处理操作，并将数据集分为训练集和测试集；
使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练；
利用训练好的卷积神经网络对测试集进行分类，达到对高光谱遥感图像分类的目的。
2.根据权利1所述的基于双分支多注意力卷积神经网络的高光谱图像分类方法，其特征在于，所述归一化预处理的具体步骤如下：
计算高光谱图像数据集中数据的均值；
将所述高光谱图像数据集中每个样本数据的值减去均值；
将所述减去均值的高光谱集进行相同分辨率下的重塑。
3.根据权利要求1所述的基于双分支多注意力卷积神经网络的高光谱图像分类方法，其特征在于，所述使用双分支多注意力卷积神经网络对输入的高光谱图像进行卷积来分别获取空间和光谱信息，通过训练集对卷积神经网络进行训练，具体步骤如下：
设计多尺度滤波器组来分别获取空间和光谱信息，该滤波器组使用三个不同大小的卷积滤波器对输入的高光谱图像进行卷积，三个卷积滤波器大小分别为1×1、3×3和5×5，其中，3×3和5×5滤波器来处理图像的空间特征信息，而1×1的滤波器则用来处理光谱特征信息；
设计双分支网络框架，利用多尺度滤波器组来分别提取空间和光谱信息特征，同时加入密集连接将特征串联在一起，在两个分支的每个卷积层之后添加一个全连接层来加入基于不同层中的特征信息，全连接层的输出表示如下：
yi＝f[wi(spei+spai)+bi]
其中spe和spa表示光谱分支和空间分支，i＝1，2，3表示第i个FC层的输出，wi为第i层的权值向量，bi第i层的附加偏置向量，且最终FC层计算为：
x＝concat(y1,y2,y3)
通过空间光谱双注意力块对空间光谱特征进行集中，减少其他区域的重量；优化网络参数，减轻训练网络时出现的过拟合现象，得到优化后的双层卷积神经网络。
4.根据权利要求1所述的基于双分支多注意力卷积神经网络的高光谱图像分类方法，其特征在于，所述利用训练好的卷积神经网络对测试集进行分类，具体步骤如下：
将卷积神经网络的待训练系数进行初始化，初始化值为[-P,P]区间的随机值，其中P为小于1的常数；
对所述卷积神经网络进行正向传播训练，训练时采用的模型为xi+1＝fi(ui)，ui＝Wixi+bi；
其中，xi为第i层的输入，Wi为第i层的权值向量，bi第i层的附加偏置向量；fi(·)表示第i层的激活函数，ui表示第i层的输出；
对获得的双分支多注意力卷积神经网络进行反向传播训练：通过双分支多注意力卷积神经网络的反向训练的输出结果与预设的期望进行比较，不断的迭代更新所述训练系数，迭代过程如下：
Figure FDA0003036241940000021
Figure FDA0003036241940000022
其中，学习率α为反向传播强度的控制因子；当输出结果满足期望值时，迭代终止，获得训练好的双分支多注意力卷积神经网络。
5.一种实现权利要求1～4任一项所述基于卷积神经网络的高光谱遥感图像分类方法的系统，其特征在于，包括以下模块：
文件管理模块：导入或选择高光谱图像数据文件，用于图像分类阶段的模型训练；
模型选择模块：选择导入已有模型来导入自己的模型或选择默认模型即双分支多注意力卷积神经网络；
图像分类模块：启动分类模块进行高光谱图像分类处理；
分类结果分析模块：对于不同方法分类后的结果进行分析评价。
6.根据权利要求5所述的基于卷积神经网络的高光谱遥感图像分类系统，其特征在于，所述文件管理模块包含如下子模块：
选取预存数据集：用于导入或选择高光谱图像数据文件用于图像分类阶段的模型训练，系统中预设高光谱通用数据集，使用时可直接选取，或者自行导入高光谱图像数据进行后续分类处理；
导入自选数据集：用于导入或选择高光谱图像真实地物图，系统中预设高光谱通用数据集的真实地物图，使用时也可自行导入真实地物图，与后续分类过程生成的分类结果图进行比较分析；
参数设置：用于手动输入目标像元的坐标，显示其对应的光谱曲线信息。
7.根据权利要求5所述的基于卷积神经网络的高光谱遥感图像分类系统，其特征在于，所述模型选择模块包含如下子模块：
导入已有模型：用于导入自己已有可运行的高光谱图像分类模型；
选择默认模型：用于选择系统预存的双分支多注意力高光谱图像分类模型；
管理模型：用于查看系统已有模型和删除已有模型。
8.根据权利要求5所述的基于卷积神经网络的高光谱遥感图像分类系统，其特征在于，所述图像分类模块包含如下子模块：
分类模块：用于启动分类模块进行高光谱图像分类处理，分类完成后，界面能够显示分类时长以及分类精度，并且同时显示原图像、特征图像和分类结果图。
9.根据权利要求5所述的基于卷积神经网络的高光谱遥感图像分类系统，其特征在于，所述分类结果分析模块包含如下子模块：
分析模块：通过总精度、平均精度和Kappa系数，以及分类结果图，进行分类结果的比较和评价。
CN202110444476.4A 2021-04-23 2021-04-23 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统 Pending CN113159189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444476.4A CN113159189A (zh) 2021-04-23 2021-04-23 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444476.4A CN113159189A (zh) 2021-04-23 2021-04-23 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统

Publications (1)

Publication Number Publication Date
CN113159189A true CN113159189A (zh) 2021-07-23

Family

ID=76870164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444476.4A Pending CN113159189A (zh) 2021-04-23 2021-04-23 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统

Country Status (1)

Country Link
CN (1) CN113159189A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486851A (zh) * 2021-07-28 2021-10-08 齐齐哈尔大学 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
CN113705718A (zh) * 2021-09-06 2021-11-26 齐齐哈尔大学 基于多层次特征密集融合的遥感场景图像分类方法
CN113762389A (zh) * 2021-09-08 2021-12-07 大连海事大学 一种基于动态诊断的高光谱影像小样本分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN108596213A (zh) * 2018-04-03 2018-09-28 中国地质大学（武汉） 一种基于卷积神经网络的高光谱遥感图像分类方法及系统
CN112580670A (zh) * 2020-12-31 2021-03-30 中国人民解放军国防科技大学 基于迁移学习的高光谱空谱联合特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845418A (zh) * 2017-01-24 2017-06-13 北京航空航天大学 一种基于深度学习的高光谱图像分类方法
CN108596213A (zh) * 2018-04-03 2018-09-28 中国地质大学（武汉） 一种基于卷积神经网络的高光谱遥感图像分类方法及系统
CN112580670A (zh) * 2020-12-31 2021-03-30 中国人民解放军国防科技大学 基于迁移学习的高光谱空谱联合特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘帅等: "基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类", 《农业工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486851A (zh) * 2021-07-28 2021-10-08 齐齐哈尔大学 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
CN113705718A (zh) * 2021-09-06 2021-11-26 齐齐哈尔大学 基于多层次特征密集融合的遥感场景图像分类方法
CN113705718B (zh) * 2021-09-06 2024-04-02 齐齐哈尔大学 基于多层次特征密集融合的遥感场景图像分类方法
CN113762389A (zh) * 2021-09-08 2021-12-07 大连海事大学 一种基于动态诊断的高光谱影像小样本分类方法
CN113762389B (zh) * 2021-09-08 2024-04-12 大连海事大学 一种基于动态诊断的高光谱影像小样本分类方法

Similar Documents

Publication Publication Date Title
Zhang et al. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN110298396B (zh) 基于深度学习多特征融合的高光谱图像分类方法
US20230252761A1 (en) Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model
CN113159189A (zh) 基于双分支多注意力卷积神经网络的高光谱图像分类方法及系统
Zare et al. Endmember variability in hyperspectral analysis: Addressing spectral variability during spectral unmixing
CN111191736A (zh) 基于深度特征交叉融合的高光谱图像分类方法
CN112446388A (zh) 一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统
CN108460391B (zh) 基于生成对抗网络的高光谱图像无监督特征提取方法
CN111695407B (zh) 基于多光谱融合的性别识别方法、系统、存储介质及终端
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
Rocha et al. Spatially-explicit modelling with support of hyperspectral data can improve prediction of plant traits
CN112836666A (zh) 一种高光谱图像分类识别方法
Chen et al. Spectral unmixing using a sparse multiple-endmember spectral mixture model
CN115331104A (zh) 一种基于卷积神经网络的农作物种植信息提取方法
Men et al. A residual network with attention module for hyperspectral information of recognition to trace the origin of rice
Xie et al. Trainable spectral difference learning with spatial starting for hyperspectral image denoising
CN107680081B (zh) 基于卷积神经网络的高光谱图像解混方法
CN115019178A (zh) 一种基于大核卷积注意力的高光谱影像分类方法
Tun et al. Hyperspectral remote sensing images classification using fully convolutional neural network
Meng et al. Fine hyperspectral classification of rice varieties based on attention module 3D-2DCNN
CN114220007A (zh) 基于过完备深度低秩子空间聚类的高光谱图像波段选择方法
CN115578632A (zh) 基于膨胀卷积的高光谱图像分类方法
CN113139515A (zh) 基于条件随机场和深度特征学习的高光谱图像分类方法

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