CN113610125A - 一种基于编码器-解码器图神经网络的高光谱分类方法 - Google Patents

一种基于编码器-解码器图神经网络的高光谱分类方法 Download PDF

Info

Publication number
CN113610125A
CN113610125A CN202110838623.6A CN202110838623A CN113610125A CN 113610125 A CN113610125 A CN 113610125A CN 202110838623 A CN202110838623 A CN 202110838623A CN 113610125 A CN113610125 A CN 113610125A
Authority
CN
China
Prior art keywords
layer
graph
encoder
decoder
neural network
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
CN202110838623.6A
Other languages
English (en)
Other versions
CN113610125B (zh
Inventor
张浩鹏
马中天
姜志国
谢凤英
赵丹培
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110838623.6A priority Critical patent/CN113610125B/zh
Publication of CN113610125A publication Critical patent/CN113610125A/zh
Application granted granted Critical
Publication of CN113610125B publication Critical patent/CN113610125B/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
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于编码器‑解码器图神经网络的高光谱分类方法，采用编码器‑解码器框架，该方法包括：获取待分类的高光谱图像，进行位置编码，得到编码特征图；将所述编码特征图输入编码器结构进行降维处理；将经降维处理后的特征图输入到预先构建的图卷积模块中进行学习；再通过解码器结构得到原始尺寸，经全连接层得到分类结果图。该方法可减少运算量，去除冗余信息的同时动态的更新输入到图卷积模块中的特征图，学习到更好的特征嵌入；且该方法相较于卷积神经网络方法，对高光谱图像分类精度较高。

Description

一种基于编码器-解码器图神经网络的高光谱分类方法
技术领域
本发明属于模式识别与机器学习领域，涉及高光谱图像分析和遥感地物分类领域，特别涉及一种基于编码器-解码器图神经网络的高光谱分类方法。
背景技术
作为先进遥感成像技术的产物，高光谱图像在近年来得到了广泛的关注与应用。高光谱图像是使用高光谱传感器对整个电磁波谱进行连续的采样，通常包含数十至上百波段的信息。如此充分的信息使得高光谱图像可以被应用于航空航天、农业、生物医学成像以及地质学等领域。在这些应用中，高光谱分类问题一直是一个热点问题。
高光谱分类是一种特殊的遥感图像分类问题，目的是对图像进行逐像素的分类。高光谱分类问题的特殊性在于其光谱信息的极大丰富，在包含更多信息的同时也存在许多冗余，导致了休斯现象，即随着特征维数增多分类效果反而变差。同时对于某些高光谱数据，空间分辨率的不足以及人为标定的误差也会导致同物异谱和异物同谱等问题。
高光谱分类任务最初的方法是一些传统的机器学习算法，例如随机森林，最近邻算法以及效果更好的支持向量机方法。在深度学习的浪潮之后，深度神经网络的方法占据了主流。在深度学习的模型中，最为广泛应用的是各种卷积神经网络模型。早期的方法将高光谱立方体打平为二维的数据，然后再使用深度神经网络进行训练，这种方法由于无法利用空间信息后来被抛弃。后来的方法将高光谱图像切割成不同的小块，在这些小块上使用卷积神经网络，得到最终的分类结果。这种小块的尺寸一般在10*10个像素以内，分类的结果是中心像素的类别。这样的处理使得高光谱图像中的局部空间关系得到利用。后来还出现了3D卷积等方法，进一步加强空间和光谱特征的融合。
基于切块的方法有一个最明显的缺陷就是会丢失长距离的信息，如图1所示，在图像上相隔较远的两片区域可能存在同样的地物种类，而这样的信息在切块的时候就已经丢失了。
相关技术中，在图数据上的深度学习发展火热，图神经网络作为一种新的模型被尝试用于高光谱分类任务。使用图神经网络的分类方法与以往的深度学习方法不同，它将高光谱分类的问题转化为图节点的半监督分类这一经典的图表示学习问题。这样的考虑使得基于图神经网络的方法不再把高光谱图像切割成小块，而是对整个高光谱图像进行处理。由于不再使用切块的处理，基于图网络的方法可以很方便的提取长距离的信息，这对于分类表现是很有益的。然而，图网络的方法刚刚开始发展，现有的基于图网络的方法有以下几个难点。首先，由于full-batch的训练策略以及GCN(图卷积网络)中存在的大规模的矩阵乘法，导致基于GCN的方法显存占用大。目前有一种解决方法是使用超像素分割进行预处理，再将分割后的超像素作为图的节点。不过这样的设计让网络不再是端到端的形式，显得复杂和冗余。其次，图结构的置信度对于GCN来说十分重要，而现有的从HSI中构建图的方法大量依靠先验信息，并且构建好的图结构在训练中无法改变。最后，现有基于图神经网络的方法精度相较于成熟的卷积神经网络方法略有不足。
发明内容
本发明的目的在于，为了解决上述现有技术存在的不足之处，提出一种基于编码器-解码器图神经网络的高光谱分类方法，可以解决目前GCN显存占用过大的问题，且高光谱分类精度较高。
为实现上述目的，本发明采取的技术方案为：
本发明实施例提供一种基于编码器-解码器图神经网络的高光谱分类方法，采用编码器-解码器框架，该方法包括：
S1、获取待分类的高光谱图像，进行位置编码，得到编码特征图；
S2、将所述编码特征图输入编码器结构进行降维处理；
S3、将经降维处理后的特征图输入到预先构建的图卷积模块中进行学习；
S4、将学习后的特征图再通过解码器结构得到原始尺寸，经全连接层得到分类结果图。
进一步地，所述步骤S1，包括：
获取待分类的高光谱图像，进行位置编码，融合空谱特征，得到编码特征图Xspatial的计算公式如下：
Xspatial[r]＝[x(r),y(r)]
其中，x(r),y(r)分别表示像素点r的横纵坐标。
进一步地，所述步骤S2中编码器结构包括六层，前三层用于光谱降维，后三层用于空间降维，其中：
第一层为1×1的卷积层；
第二层为通道注意力层；
第三层为批量标准化和激活函数层；
第四层为3×3的步长为2的卷积层；
第五层为通道注意力层；
第六层为批量标准化和激活函数层。
进一步地，所述步骤S4中解码器结构包括三层，其中：
第一层为批量标准化和激活函数层；
第二层为3×3的步长为2的反卷积层；
第三层为批量标准化和激活函数层。
进一步地，在所述编码器结构的第三层输出与所述解码器结构的第二层输出之间具有跳跃连接1×1卷积层；
在所述编码器结构的第六层输出与所述解码器结构的第一层输入之间具有跳跃连接1×1卷积层。
进一步地，所述步骤S3包括：
将经降维处理后的特征图，生成邻接矩阵A，公式如下：
Figure BDA0003178097970000041
将特征图中的每一个像素点均看作一个样本；其中，hi表示第i个样本的特征，hj表示第j个样本的特征，mean表示所有样本间的欧氏距离的平均值，σ表示一个可调节的超参数；A矩阵的尺寸为n×n，n表示输入特征图的行数乘以列数；A矩阵中元素的值域为(0,1]，表示两个节点之间存在边的概率；
定义一个图数据X，根据所述邻接矩阵A，对所述图数据X构建卷积层操作，叠加图卷积层，进行图数据的上表示学习。
进一步地，所述通道注意力层采用编码器-解码器框架，所述通道注意力层处理图像过程包括：
使用全局的平均池化层得到通道权重向量；
将权重向量使用两个1×1的卷积实现编码和解码，完成学习；
再按照通道权重向量的权重对各个通道重新加权。
与现有技术相比，本发明具有如下有益效果：
本发明实施例提供的基于编码器-解码器图神经网络的高光谱分类方法，采用编码器-解码器框架，该方法包括：获取待分类的高光谱图像，进行位置编码，得到编码特征图；将所述编码特征图输入编码器结构进行降维处理；将经降维处理后的特征图输入到预先构建的图卷积模块中进行学习；再通过解码器结构得到原始尺寸，经全连接层得到分类结果图。该方法可减少运算量，去除冗余信息的同时动态的更新输入到图卷积模块中的特征图，学习到更好的特征嵌入；且该方法相较于卷积神经网络方法，对高光谱图像分类精度较高。
附图说明
图1为现有技术中表达长距离信息的示意图。
图2为本发明实施例提供的基于编码器-解码器图神经网络的高光谱分类方法的流程图。
图3为本发明实施例提供的基于编码器-解码器图神经网络的高光谱分类方法的原理图。
图4为本发明实施例提供的通道注意力模块的结构图。
图5a为本发明实施例提供的Indian Pines真值示意图。
图5b为本发明实施例提供的Indian Pines分类结果示意图。
图6a为本发明实施例提供的Salinas真值示意图。
图6b为本发明实施例提供的Salinas分类结果示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”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。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图2所示，本发明实施例提供一种基于编码器-解码器图神经网络的高光谱分类方法，采用编码器-解码器框架，该方法包括：
S1、获取待分类的高光谱图像，进行位置编码，得到编码特征图；
S2、将所述编码特征图输入编码器结构进行降维处理；
S3、将经降维处理后的特征图输入到预先构建的图卷积模块中进行学习；
S4、将学习后的特征图再通过解码器结构得到原始尺寸，经全连接层得到分类结果图。
本实施例中，基于编码器解码器结构的图卷积网络，并应用于高光谱分类，参照图3所示，首先通过一个编码器对输入的高光谱图像进行降维，再将降维后的特征图输入到预先构建好的图卷积模块中进行学习，最后再通过解码器得到原始尺寸的分类结果图。该方法可减少运算量，去除冗余信息的同时动态的更新输入到图卷积模块中的特征图，学习到更好的特征嵌入；且该方法相较于卷积神经网络方法，对高光谱图像分类精度较高。
下面为了清楚的说明本发明的上述步骤，分别从方法步骤中涉及的编码器解码器框架、图卷积模块、通道注意力模块和位置编码模块四个方面详细介绍。
1.编码器-解码器框架
编码器-解码器结构是一种高效的网络结构。本发明实施例在高光谱分类中使用这种结构目的是在减少运算量，去除冗余信息的同时动态的更新输入到图卷积模块中的特征图，学习到更好的特征嵌入。
a.编码器结构
如图3所示编码器部分一共有六层，首先用一个1×1的卷积层对输入的光谱特征进行降维。紧接着连接一个设计好的送到注意力层，之后再用一个批量标准化和激活函数层。后面进行空间降维的三层分别是3×3的步长为2的卷积层加上通道注意力层和标准化以及激活层。编码器部分的设计兼顾了光谱降维与空间降维，将输入的高光谱图像映射到低维的隐变量空间中。
即：上述步骤S2中的编码器包括六层，前三层用于光谱降维，后三层用于空间降维。
b.解码器结构
解码器结构和编码器结构是对称的，不过少了通道注意力层，仅仅使用到标准化和激活层以及3×3的反卷积层。解码器结构包括三层，其中：
第一层为批量标准化和激活函数层；
第二层为3×3的步长为2的反卷积层；
第三层为批量标准化和激活函数层。
在恢复到输入尺寸后，最后使用全连接层得到最后的分类结果。
c.跳跃连接结构
跳跃连接结构目的是融合深层和浅层的特征，提升特征的表达能力。在本发明实施例中的编码器-解码器框架中加入该设计，并且使用两个1×1的卷积层来将深层和浅层特征的通道数调整一致，并通过相加的操作进行融合。如图3所示，在编码器结构的第三层输出与解码器结构的第二层输出之间具有跳跃连接1×1卷积层；在编码器结构的第六层输出与解码器结构的第一层输入之间具有跳跃连接1×1卷积层。
2.图卷积模块
如图3所示，在本发明实施例中，将图卷积作为模块连接在编码器和解码器之间，来进行长距离依赖关系的学习进而提升网络的表示学习能力。图卷积模块包含以下几个部分，
a.图结构的生成
图结构的生成也就是从输入的特征图中生成邻接矩阵A，A生成公式如下：
Figure BDA0003178097970000081
将特征图中的每一个像素点均看作一个样本；其中，hi表示第i个样本的特征，hj表示第j个样本的特征，mean表示所有样本间的欧氏距离的平均值，σ是一个可调节的超参数。A矩阵的尺寸为n×n，n为输入特征图的行数乘以列数。A矩阵中元素的值域为(0,1]，表示两个节点之间存在边的概率。
b.图卷积
图卷积是基于图的谱卷积理论，对图数据进行表示学习，具体操作如下。
首先定义一个图数据X，A是生成的邻接矩阵。Dpq＝∑qApq是度矩阵，其中p，q代表p行和q列。对于图数据X的卷积操作定义如下：
Figure BDA0003178097970000082
其中，
Figure BDA0003178097970000083
是便于考虑样本自身相关性的邻接矩阵，I为单位矩阵，
Figure BDA0003178097970000084
是对应
Figure BDA0003178097970000085
的度矩阵，Θ(l)是第l层的可训练参数，Z为第l层的输出。通过叠加这样的图卷积层，就可以进行图数据的上表示学习。
3.通道注意力模块
由于不同的通道对于分类任务的贡献不尽相同，而通道注意力模块的目的就是对不同的通道进行可学习的加权，使贡献大的通道得到更多的关注。本发明所设计的通道注意力模块的结构如下图4所示，也采用编码器-解码器的框架。
整个模块首先使用全局的平均池化层来得到通道权重向量，再将权重向量使用两个1×1的卷积实现编码和解码，并在此过程中完成学习，最后再按照通道权重向量的权重对各个通道重新加权。
4.位置编码模块
在高光谱分类任务中，有效融合空谱特征是常用的策略，本发明设计了一个简洁的位置编码模块进行编码，融合空谱特征。上述步骤S1中，位置编码得到的特征图Xspatial的计算公式如下：
Xspatial[r]＝[x(r),y(r)]
其中，x(r),y(r)分别表示像素点r的横纵坐标。
本发明实施例提供的基于编码器-解码器图神经网络的高光谱分类方法，可用于高光谱图像分类。本实施例使用了两个常见的高光谱遥感分类数据集，IndianPines和Salinas数据集。其中：
IndianPines：空间分辨率20m，谱段范围0.4～2.5μm，波段数220，地物种类为16类，图像大小为145×145。
Salinas：空间分辨率3.7m，谱段范围0.4～2.5μm，波段数224，地物种类为16类，图像大小为512×217。
在两个数据集上的实验均选用每类50个样本进行训练。实验结果为本发明提供的方法在IndianPines数据集上的分类表现，参照图5a-5b所示，达到了94.67％的分类精度。本发明提供的方法在Salinas数据集上的分类表现，参照图6a-6b所示，达到了97.43％的分类精度，通过实验证明方法的有效性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，采用编码器-解码器框架，该方法包括：
S1、获取待分类的高光谱图像，进行位置编码，得到编码特征图；
S2、将所述编码特征图输入编码器结构进行降维处理；
S3、将经降维处理后的特征图输入到预先构建的图卷积模块中进行学习；
S4、将学习后的特征图再通过解码器结构得到原始尺寸，经全连接层得到分类结果图。
2.根据权利要求1所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，所述步骤S1，包括：
获取待分类的高光谱图像，进行位置编码，融合空谱特征，得到编码特征图Xspatial的计算公式如下：
Xspatial[r]＝[x(r),y(r)]
其中，x(r),y(r)分别表示像素点r的横纵坐标。
3.根据权利要求1所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，所述步骤S2中编码器结构包括六层，前三层用于光谱降维，后三层用于空间降维，其中：
第一层为1×1的卷积层；
第二层为通道注意力层；
第三层为批量标准化和激活函数层；
第四层为3×3的步长为2的卷积层；
第五层为通道注意力层；
第六层为批量标准化和激活函数层。
4.根据权利要求3所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，所述步骤S4中解码器结构包括三层，其中：
第一层为批量标准化和激活函数层；
第二层为3×3的步长为2的反卷积层；
第三层为批量标准化和激活函数层。
5.根据权利要求4所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，在所述编码器结构的第三层输出与所述解码器结构的第二层输出之间具有跳跃连接1×1卷积层；
在所述编码器结构的第六层输出与所述解码器结构的第一层输入之间具有跳跃连接1×1卷积层。
6.根据权利要求4所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，所述步骤S3包括：
将经降维处理后的特征图，生成邻接矩阵A，公式如下：
Figure FDA0003178097960000021
将特征图中的每一个像素点均看作一个样本；其中，hi表示第i个样本的特征，hj表示第j个样本的特征，mean表示所有样本间的欧氏距离的平均值，σ表示一个可调节的超参数；A矩阵的尺寸为n×n，n表示输入特征图的行数乘以列数；A矩阵中元素的值域为(0,1]，表示两个节点之间存在边的概率；
定义一个图数据X，根据所述邻接矩阵A，对所述图数据X构建卷积层操作，叠加图卷积层，进行图数据的上表示学习。
7.根据权利要求3所述的一种基于编码器-解码器图神经网络的高光谱分类方法，其特征在于，所述通道注意力层采用编码器-解码器框架，所述通道注意力层处理图像过程包括：
使用全局的平均池化层得到通道权重向量；
将权重向量使用两个1×1的卷积实现编码和解码，完成学习；
再按照通道权重向量的权重对各个通道重新加权。
CN202110838623.6A 2021-07-23 2021-07-23 一种基于编码器-解码器图神经网络的高光谱分类方法 Active CN113610125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110838623.6A CN113610125B (zh) 2021-07-23 2021-07-23 一种基于编码器-解码器图神经网络的高光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110838623.6A CN113610125B (zh) 2021-07-23 2021-07-23 一种基于编码器-解码器图神经网络的高光谱分类方法

Publications (2)

Publication Number Publication Date
CN113610125A true CN113610125A (zh) 2021-11-05
CN113610125B CN113610125B (zh) 2023-12-22

Family

ID=78305329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110838623.6A Active CN113610125B (zh) 2021-07-23 2021-07-23 一种基于编码器-解码器图神经网络的高光谱分类方法

Country Status (1)

Country Link
CN (1) CN113610125B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180314917A1 (en) * 2017-04-27 2018-11-01 Dassault Systemes Learning an autoencoder
CN111339845A (zh) * 2020-02-13 2020-06-26 福州大学 自动区分并增强时空特征的图卷积神经网络的人体动作识别方法
CN111369681A (zh) * 2020-03-02 2020-07-03 腾讯科技（深圳）有限公司 三维模型的重构方法、装置、设备及存储介质
CN111652899A (zh) * 2020-05-29 2020-09-11 中国矿业大学 一种时空部件图的视频目标分割方法
CN112861722A (zh) * 2021-02-09 2021-05-28 中国科学院地理科学与资源研究所 一种半监督深度图卷积的遥感土地利用语义分割方法
US20210201111A1 (en) * 2019-12-31 2021-07-01 X Development Llc Predicting neuron types based on synaptic connectivity graphs

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180314917A1 (en) * 2017-04-27 2018-11-01 Dassault Systemes Learning an autoencoder
US20210201111A1 (en) * 2019-12-31 2021-07-01 X Development Llc Predicting neuron types based on synaptic connectivity graphs
CN111339845A (zh) * 2020-02-13 2020-06-26 福州大学 自动区分并增强时空特征的图卷积神经网络的人体动作识别方法
CN111369681A (zh) * 2020-03-02 2020-07-03 腾讯科技（深圳）有限公司 三维模型的重构方法、装置、设备及存储介质
CN111652899A (zh) * 2020-05-29 2020-09-11 中国矿业大学 一种时空部件图的视频目标分割方法
CN112861722A (zh) * 2021-02-09 2021-05-28 中国科学院地理科学与资源研究所 一种半监督深度图卷积的遥感土地利用语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAOPENG ZHANG: "Nonpairwise-Trained Cycle Convolutional Neural Network for Single Remote Sensing Image Super-Resolution", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 59, no. 5, pages 4250 - 4261, XP011850398, DOI: 10.1109/TGRS.2020.3009224 *
QICHAO LIU: "CNN-Enhanced Graph Convolutional Network With Pixel- and Superpixel-Level Feature Fusion for Hyperspectral Image Classification", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 59, no. 10, pages 8657 - 8671, XP011879869, DOI: 10.1109/TGRS.2020.3037361 *
李笑寒: "基于图卷积神经网络和强化学习的高光谱影像分类", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 1 - 64 *

Also Published As

Publication number Publication date
CN113610125B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN111259905B (zh) 一种基于下采样的特征融合遥感图像语义分割方法
Jia et al. A semisupervised Siamese network for hyperspectral image classification
CN111738329B (zh) 一种面向时间序列遥感影像的土地利用分类方法
Hao et al. Two-stream deep architecture for hyperspectral image classification
CN112861722B (zh) 一种半监督深度图卷积的遥感土地利用语义分割方法
CN113449594B (zh) 一种多层网络组合的遥感影像地类语义分割与面积计算方法
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
CN111985543A (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN113066037B (zh) 基于图注意力机制的多光谱与全色图像融合方法及系统
CN113609889A (zh) 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
CN114937173A (zh) 一种基于动态图卷积网络的高光谱图像快速分类方法
CN115661652A (zh) 一种面向对象的图神经网络非监督遥感影像变化检测方法
Jiang et al. Hyperspectral image classification with CapsNet and Markov random fields
Ji et al. Semisupervised hyperspectral image classification using spatial-spectral information and landscape features
Alimjan et al. An image change detection algorithm based on multi-feature self-attention fusion mechanism UNet network
Sun et al. Deep learning in statistical downscaling for deriving high spatial resolution gridded meteorological data: A systematic review
CN105719323A (zh) 一种基于优化图谱理论的高光谱降维方法
Zhong et al. LiteCCLKNet: A lightweight criss‐cross large kernel convolutional neural network for hyperspectral image classification
Yang et al. Sparse representation and SRCNN based spatio-temporal information fusion method of multi-sensor remote sensing data
CN116704378A (zh) 一种基于自生长卷积神经网络的国土测绘数据分类方法
Tu et al. Hyperspectral image classification based on residual dense and dilated convolution
Jing et al. Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks
Pan et al. Enhanced FCN for farmland extraction from remote sensing image
Ramasinghe et al. A learnable radial basis positional embedding for coordinate-mlps

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