CN113569660A - 一种用于高光谱影像分类的学习率优化算法折扣系数法 - Google Patents
一种用于高光谱影像分类的学习率优化算法折扣系数法 Download PDFInfo
- Publication number
- CN113569660A CN113569660A CN202110763834.8A CN202110763834A CN113569660A CN 113569660 A CN113569660 A CN 113569660A CN 202110763834 A CN202110763834 A CN 202110763834A CN 113569660 A CN113569660 A CN 113569660A
- Authority
- CN
- China
- Prior art keywords
- training
- learning rate
- neural network
- convolutional neural
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 4
- 235000011613 Pinus brutia Nutrition 0.000 description 4
- 241000018646 Pinus brutia Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于高光谱影像分类的学习率优化算法折扣系数法,涉及遥感图像处理技术领域,包括如下步骤:获取高光谱图像数据;对高光谱图像数据进行预处理,得到训练集样本;将训练集样本输入卷积神经网络模型进行训练;在训练过程中对卷积神经网络模型的学习率进行修正;重复训练直至达到训练轮次要求。本发明通过提供一种用于高光谱影像分类的学习率优化算法折扣系数法,基于高光谱图像数据实现了对高光谱图像分类模型的建立,且在训练过程中对学习率进行修正,实现了对高光谱图像分类模型的优化,提高了分类模型的训练的效率和最终的性能。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体公开了一种用于高光谱影像分类的学习率优化算法折扣系数法。
背景技术
遥感图像处理技术以其灵活性高、再现性好等优点在生产、生活中发挥着日益重要的作用。高光谱图像处理技术是该领域的重要分支,在众多高光谱图像处理技术中,高光谱图像分类技术一直是研究重点和难点之一。利用高光谱图像分类技术,可获取农作物分布与生长情况,从而达到有效的、科学的农业管理;可对城市房屋、路面等进行准确识别与分类,从而为城市规划等方面提供帮助;可对水体分布和水质进行检测,从而为水资源管理提供帮助。
传统高光谱图像分类方法大致可分为依据地物光谱特性曲线的光谱匹配分类方法和基于数据统计特性分类方法,基于数据统计特性分类方法又可以根据其模型训练中是否需要有标记的样本分为监督分类、无监督分类。其中,无监督分类算法是指只有训练数据集,没有已标记分类结果的样本,只能靠计算机本身去分析数据特征。有监督分类算法是指训练数据集和已标记分类结果的样本一起输入模型,这样得到的分类精度也必然会高,但是需要大量已标记样本。
近些年来,深度学习方法的优异性能使其在众多领域得到了广泛的研究。特别地,并根据研究领域的不同出现了各种衍生的网络结构。例如,在监督学习方向,循环神经网络、卷积神经网络以及图卷积神经网络在自然语言处理、计算机视觉和不规则数据处理等领域取得了优异的成就。基于卷积神经网络的方法已经证明了其强大的特征提取能力。目前已经有众多基于卷积神经网络的模型被提出来用于高光谱影像分类。但是目前仍有一些缺陷需要克服。这些模型都要依赖于深度学习框架进行模型训练,而训练网络模型是一个非常困难的全局优化问题,且训练过程中模型性能会频繁的波动。
发明内容
本发明所要解决的技术问题在于,提供一种用于高光谱影像分类的学习率优化算法折扣系数法,基于高光谱图像数据实现了对高光谱图像分类模型的建立,且在训练过程中对学习率进行修正,实现了对高光谱图像分类模型的优化,提高了分类模型的训练的效率和最终的性能。
为解决上述技术问题,本发明提供一种用于高光谱影像分类的学习率优化算法折扣系数法,包括如下步骤:
获取高光谱图像数据;
对高光谱图像数据进行预处理,得到训练集样本;
将训练集样本输入卷积神经网络模型进行训练;
在训练过程中对卷积神经网络模型的学习率进行修正;
重复训练直至达到训练轮次要求。
优选的,所述预处理包括如下步骤:
将高光谱图像数据通过主成分分析法去除冗余波段得到高光谱遥感影像;
根据高光谱遥感影像建立多类以待分类像素为中心的三维图像立方体;
从每一类三维图像立方体中随机选取部分数据及其与之对应的类别标签作为训练集样本。
优选的,所述训练轮次要求为100轮。
优选的,对卷积神经网络模型的学习率进行修正,包括如下步骤:
对卷积神经网络模型训练时的指标进行监视;
判断指标是否停止改善,若指标未停止改善则继续训练直至训练轮次达到要求,若指标停止改善则暂停卷积神经网络模型训练;
当卷积神经网络模型训练暂停时,利用卷积神经网络模型最后两次训练得到指标对学习率进行修正;
基于修正后的学习率,从暂停训练处继续进行卷积神经网络模型的训练。
优选的,对学习率进行修正包括:根据卷积神经网络模型停止训练时的前两次训练得到的指标计算折扣系数,并将折扣系数与停止训练前的学习率相乘。
优选的,所述卷积神经网络模型训练时监视的指标类型根据初始学习率大小来确定,所述初始学习率于训练集样本输入卷积神经网络模型进行训练时设定。
优选的,若初始学习率大于0.01,则选择误差进行折扣系数的计算,否则选择误差或准确率进行折扣系数的计算。
优选的,所述折扣系数的计算公式根据指标的类型确定:
若所述指标的类型为误差,则折扣系数为w=1-|l1-l2|,其中l1、l2分别为卷积神经网络模型最后一次训练的误差和倒数第二次的误差;
若所述指标的类型为准确率,则折扣系数为w=1-|a1-a2|,其中a1、a2分别为卷积神经网络模型最后一次训练的准确率和倒数第二次的准确率;
其中w代表折扣系数。
优选的,对模型训练时的指标进行监视时:
若选择误差作为监视对象,则把误差是否下降作为评判标准,当监视到误差停止下降时认为此时指标停止改善;
若选择准确率作为监视对象,则把准确率是否提高作为评判标准,当监视到准确率停止提高时认为此时指标停止改善。
本发明的有益效果为:本发明通过提供一种用于高光谱影像分类的学习率优化算法折扣系数法,基于高光谱图像数据实现了对高光谱图像分类模型的建立,且在训练过程中对学习率进行修正,实现了对高光谱图像分类模型的优化,提高了分类模型的训练的效率和最终的性能,另外对于较大和较小的初始学习率分别提出了不同的学习率优化策略,在提高模型效率的同时也可以优化最后的模型分类性能,由此,所提出的方法能在提高运行效率的同时实现较优的分类效果。
附图说明
图1为本发明实施例提供的方法流程示意图。
图2为本发明仿真实验中Indian Pines高光谱图像数据图。
图3为本发明仿真实验Indian Pines高光谱图像数据的伪彩色标记图。
图4为本发明仿真实验的Indian Pines高光谱图像数据的未使用折扣系数法的分类结果图。
图5为本发明仿真实验的Indian Pines高光谱图像数据的使用了折扣系数法的分类结果图。
具体实施方式
如图1所示,一种用于高光谱影像分类的学习率优化算法折扣系数法,包括如下步骤:
S1,对高光谱图像数据进行读取和预处理;
其中,将高光谱图像数据进行预处理具体包括如下步骤:
S101,将读取到的高光谱图像数据通过主成分分析法(PCA)去除冗余波段而得到高光谱遥感影像;
S102,根据经过PCA处理的高光谱遥感影像建立多类以待分类像素为中心的尺寸为15×15×15的三维图像立方体;
S103,对于获得的三维图像立方体,每一类中随机选取10%的数据及其与之对应的类别标签作为训练集样本x_train,剩余的数据及其与之对应的类别标签则将作为用于后续测试模型性能的测试集样本x_test。
S2,将数据集进行划分,得到训练集样本x_train和测试集样本x_test;
S3,构建一个卷积神经网络模型;
S4,使S3中构建模型开始训练;
其中,对得到的训练集样本x_train输入到S3建立的模型进行训练。训练设定初始学习率,共训练100轮,得到训练好的模型。不同的初始学习率将应用不同的指标来计算折扣系数:
S401,对于较大的初始学习率,例如0.1和0.01,选择误差进行折扣系数的计算;
S402,对于较小的初始学习率,例如0.001,选择误差和准确率进行折扣系数的计算均可。
S5,对S4中模型训练时的某一指标进行监视:误差或准确率;
其中,选择误差或准确率作为监视指标,两个指标的监视策略分别如下:
S501,当选择误差作为监视对象时,将把误差是否下降作为评判标准,当监视到误差停止下降时认为此时模型性能停止提高;
S502,当选择准确率作为监视对象时,将把准确率是否提高作为评判标准,当监视到误差停止提高时认为此时模型性能停止提高。
S6,当S5中的指标不再降低或提高时,暂停模型的训练;
S7,利用S6中模型最后两次训练得到的误差或准确率对学习率进行修正;
其中,把模型停止训练时的前两次训练得到的误差或准确率通过公式变换为折扣系数w:
S701,对于误差,将模型最后一次训练的误差和倒数第二次的误差分别记作l1、l2,此时折扣系数为w=1-|l1-l2|;
S702,对于准确率,将模型最后一次训练的准确率和倒数第二次的准确率分别记作a1、a2,此时折扣系数为w=1-|a1-a2|。
S8,使用S7得到的新学习率,从S6暂停处开始继续进行模型的训练;
具体的,将初始的学习率lr与折扣系数w相乘,从而得到新学习率。将新的学习率装配到模型中,继而从模型训练的中断处继续开始训练。
S9,循环S5到S8,直到训练轮次达到要求,得到高光谱图像分类模型。
在使用该高光谱图像分类模型进行实际的预测分类时,具体包括以下步骤:
S10,使用S9训练得到的模型对S2得到的测试样本集进行预测;
具体的,对测试集样本x_test进行预测具体包括如下步骤:
S1001,将测试集样本x_test输入到S9得到的高光谱图像分类模型中,得到测试样本集的预测结果;
S1002,将预测结果与测试集样本x_test对应的类别标签通过准确计算公式得到分类结果准确率;
其中,将测试样本集的预测结果与测试样本集对应的类别标签进行对比得到分类精准度:总体分类精准确度(OA),平均分类精确度(AA)和KAPPA系数。
S11,使用S9训练得到的模型对原始高光谱数据进行逐像素预测,得到预测结果如图5所示;
其中,逐像素预测包含以下步骤:
S1101,将高光谱图像数据进行与S101相同的主成分分析法(PCA)技术处理;
S1102,将S1101经过主成分分析法(PCA)技术处理的数据输入到S9得到的模型进行逐像素预测类别。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,应用于卷积神经网络模型中,包括如下步骤:
获取高光谱图像数据;
对高光谱图像数据进行预处理,得到训练集样本;
将训练集样本输入卷积神经网络模型进行训练;
在训练过程中对卷积神经网络模型的学习率进行修正;
重复训练直至达到训练轮次要求。
2.根据权利要求1所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,所述预处理包括如下步骤:
将高光谱图像数据通过主成分分析法去除冗余波段得到高光谱遥感影像;
根据高光谱遥感影像建立多类以待分类像素为中心的三维图像立方体;
从每一类三维图像立方体中随机选取部分数据及其与之对应的类别标签作为训练集样本。
3.根据权利要求1所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,所述训练轮次要求为100轮。
4.根据权利要求1所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,对卷积神经网络模型的学习率进行修正,包括如下步骤:
对卷积神经网络模型训练时的指标进行监视;
判断指标是否停止改善,若指标未停止改善则继续训练直至训练轮次达到要求,若指标停止改善则暂停卷积神经网络模型训练;
当卷积神经网络模型训练暂停时,利用卷积神经网络模型最后两次训练得到指标对学习率进行修正;
基于修正后的学习率,从暂停训练处继续进行卷积神经网络模型的训练。
5.根据权利要求4所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,对学习率进行修正包括:根据卷积神经网络模型停止训练时的前两次训练得到的指标计算折扣系数,并将折扣系数与停止训练前的学习率相乘。
6.根据权利要求4所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,所述卷积神经网络模型训练时监视的指标类型根据初始学习率大小来确定,所述初始学习率于训练集样本输入卷积神经网络模型进行训练时设定。
7.根据权利要求6所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,若初始学习率大于0.01,则选择误差进行折扣系数的计算,否则选择误差或准确率进行折扣系数的计算。
8.根据权利要求5所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,所述折扣系数的计算公式根据指标的类型确定:
若所述指标的类型为误差,则折扣系数为w=1-|l1-l2|,其中l1、l2分别为卷积神经网络模型最后一次训练的误差和倒数第二次的误差;
若所述指标的类型为准确率,则折扣系数为w=1-|a1-a2|,其中a1、a2分别为卷积神经网络模型最后一次训练的准确率和倒数第二次的准确率;
其中w代表折扣系数。
9.根据权利要求8所述的一种用于高光谱影像分类的学习率优化算法折扣系数法,其特征在于,对模型训练时的指标进行监视时:
若选择误差作为监视对象,则把误差是否下降作为评判标准,当监视到误差停止下降时认为此时指标停止改善;
若选择准确率作为监视对象,则把准确率是否提高作为评判标准,当监视到准确率停止提高时认为此时指标停止改善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763834.8A CN113569660B (zh) | 2021-07-06 | 2021-07-06 | 一种用于高光谱影像分类的学习率优化算法折扣系数法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110763834.8A CN113569660B (zh) | 2021-07-06 | 2021-07-06 | 一种用于高光谱影像分类的学习率优化算法折扣系数法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569660A true CN113569660A (zh) | 2021-10-29 |
CN113569660B CN113569660B (zh) | 2024-03-26 |
Family
ID=78163853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110763834.8A Active CN113569660B (zh) | 2021-07-06 | 2021-07-06 | 一种用于高光谱影像分类的学习率优化算法折扣系数法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569660B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
CN111371502A (zh) * | 2018-12-25 | 2020-07-03 | 中兴通讯股份有限公司 | 载波相位估计方法、装置、设备以及计算机可读存储介质 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN111741002A (zh) * | 2020-06-23 | 2020-10-02 | 广东工业大学 | 一种网络入侵检测模型的训练方法和装置 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
CN111963115A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种基于强化学习的煤层气井排采参数智能优化系统和方法 |
-
2021
- 2021-07-06 CN CN202110763834.8A patent/CN113569660B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371502A (zh) * | 2018-12-25 | 2020-07-03 | 中兴通讯股份有限公司 | 载波相位估计方法、装置、设备以及计算机可读存储介质 |
CN110516596A (zh) * | 2019-08-27 | 2019-11-29 | 西安电子科技大学 | 基于Octave卷积的空谱注意力高光谱图像分类方法 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN111741002A (zh) * | 2020-06-23 | 2020-10-02 | 广东工业大学 | 一种网络入侵检测模型的训练方法和装置 |
CN111914696A (zh) * | 2020-07-16 | 2020-11-10 | 河海大学 | 一种基于迁移学习的高光谱遥感影像分类方法 |
CN111963115A (zh) * | 2020-08-14 | 2020-11-20 | 中国石油大学(北京) | 一种基于强化学习的煤层气井排采参数智能优化系统和方法 |
Non-Patent Citations (2)
Title |
---|
RON AMIT 等: "Discount Factor as a Regularizer in Reinforcement Learning", 《PROCEEDINGS OF THE 37TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING》, pages 1 - 10 * |
金海东 等: "一种带自适应学习率的综合随机梯度下降Q-学习方法", 《计算机学报》, vol. 42, no. 10, pages 2203 - 2215 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569660B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN110889863B (zh) | 一种基于目标感知相关滤波的目标跟踪方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN112990222B (zh) | 一种基于图像边界知识迁移的引导语义分割方法 | |
CN113052873B (zh) | 一种在线自监督学习场景适应的单目标跟踪方法 | |
CN112529210A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
Fang et al. | Multiscale CNNs ensemble based self-learning for hyperspectral image classification | |
CN112861931A (zh) | 一种基于差异注意力神经网络的多级别变化检测方法 | |
CN114821155A (zh) | 一种基于可变形nts-net神经网络的多标签分类方法及系统 | |
CN113111716A (zh) | 一种基于深度学习的遥感影像半自动标注方法和装置 | |
CN115082676A (zh) | 一种伪标签模型的训练方法、装置、设备及存储介质 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及系统 | |
CN111104855A (zh) | 一种基于时序行为检测的工作流识别方法 | |
CN114529794B (zh) | 一种红外与可见光图像融合方法、系统及介质 | |
CN113569660B (zh) | 一种用于高光谱影像分类的学习率优化算法折扣系数法 | |
CN117058079A (zh) | 基于改进ResNet模型的甲状腺显像图像自动诊断方法 | |
CN111047654A (zh) | 一种基于色彩信息的高清高速视频背景建模方法 | |
Ridhovan et al. | Disease detection in banana leaf plants using densenet and inception method | |
CN116631190A (zh) | 智能交通监控系统及其方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN113139332A (zh) | 一种自动化模型构建方法、装置及设备 | |
CN113920311A (zh) | 一种基于边缘辅助信息的遥感图像分割方法及系统 | |
CN113095328A (zh) | 一种基尼指数引导的基于自训练的语义分割方法 | |
CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 |
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 |