CN113673300A - 一种基于非监督训练的高光谱图像智能解混方法 - Google Patents

一种基于非监督训练的高光谱图像智能解混方法 Download PDF

Info

Publication number
CN113673300A
CN113673300A CN202110702173.8A CN202110702173A CN113673300A CN 113673300 A CN113673300 A CN 113673300A CN 202110702173 A CN202110702173 A CN 202110702173A CN 113673300 A CN113673300 A CN 113673300A
Authority
CN
China
Prior art keywords
encoder
self
network
layer
hyperspectral image
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
CN202110702173.8A
Other languages
English (en)
Other versions
CN113673300B (zh
Inventor
朱玲
秦凯
崔鑫
李明
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.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
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 Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN202110702173.8A priority Critical patent/CN113673300B/zh
Publication of CN113673300A publication Critical patent/CN113673300A/zh
Application granted granted Critical
Publication of CN113673300B publication Critical patent/CN113673300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

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

Abstract

本发明属于高光谱图像应用领域，具体涉及一种基于非监督训练的高光谱图像智能解混方法。建立由三个自编码器堆栈的深度神经网络、建立网络全连接输出层、建立整个网络的损失函数、开始网络训练并逐层反向传播更新网络参数、获取端元光谱和丰度矩阵。本方法能够成功识别高光谱图像混合像元的端元和组分信息，该方法通过进行非监督训练识别图像端元和组分，不需要大量的标签数据。

Description

一种基于非监督训练的高光谱图像智能解混方法
技术领域
本发明属于高光谱图像应用领域，具体涉及一种高光谱图像智能解混方法。
背景技术
随着遥感技术的发展，高光谱图像应用越来越广泛，波谱分辨率逐步提高可 以获取地物多维信息特征，增加对地物的认知。但受光学器件等影响，高光谱 数据相比较多光谱数据的空间精度有所降低，高光谱图像中地物对应的像元多 为几种不同物质的光谱混合，影响了高光谱数据的应用。高光谱图像混合像元 分解即光谱解混包括端元提取和丰度计算两个主要部分，识别混合像元的地物 光谱及其对应的组分信息，是高光谱遥感应用领域重要的研究内容，为进行高 光谱图像分类和目标检测等提供了有力的基础。
发明内容
本发明的目的是提供一种基于非监督训练的高光谱图像智能解混方法，能 够成功识别高光谱图像混合像元的端元和组分信息。
本发明的技术方案如下：
一种基于非监督训练的高光谱图像智能解混方法，包括如下步骤：
步骤一、建立由三个自编码器堆栈的深度神经网络；
步骤二、建立网络全连接输出层；
步骤三、建立整个网络的损失函数；
步骤四、开始网络训练并逐层反向传播更新网络参数；
步骤五、获取端元光谱和丰度矩阵。
所述的步骤一具体包括：
1)构建第一个自编码器，其包括编码和解码两个部分；
2)编码层sigmoid激活函数前进行批标准化处理；
3)建立第一个自编码器损失函数；
4)建立反向传播关系；
5)建立由三个自编码器堆栈的深度神经网络。
在步骤1)中，第一个自编码器的输入为高光谱矩阵X，采用sigmoid激活 函数，按照编码公式(1)和解码公式(2)构建编码器；al为第一个自编码器的 编码输出值，
Figure BDA0003130542210000021
为第一个自编码器的解码输出值，
Figure BDA0003130542210000022
和
Figure BDA0003130542210000023
为分别为自编码器 编码层和解码层的权值，设置
Figure BDA0003130542210000024
(*)T表示转置，
Figure BDA0003130542210000025
采用随 机数进行初始赋值，当l＝1表示第一个自编码器，其自编码网络基本公式为：
a1＝sigmoid(we1*X) (1)
Figure BDA0003130542210000026
在步骤2)中，按照公式(3)-(6)对第一个自编码器编码层进行批标准 化处理；μl和
Figure BDA0003130542210000027
分别为
Figure BDA0003130542210000028
的均值和方差，n表示输入自编码器的光谱数量， γl和βl为网络的训练超参数，初始赋值为1的矩阵，∈＝1×10-9；cl为第一个自 编层批标准化处理后的结果；
Figure BDA0003130542210000029
Figure BDA00031305422100000210
Figure BDA00031305422100000211
cl＝γlol+βl (6)。
在步骤3)中，输入值X与输出值
Figure BDA0003130542210000031
的均方误差MSEl作为第一个自编码器的 损失函数，如下式
Figure BDA0003130542210000032
在步骤4)中，建立反向传播关系具体为，求取误差项MSEl对权值
Figure BDA0003130542210000033
的偏 导数
Figure BDA0003130542210000034
通过公式(8)得到权值增量dwl，按公式(9)更新
Figure BDA0003130542210000035
进而更 新
Figure BDA0003130542210000036
学习率θ＝0.001；
Figure BDA0003130542210000037
Figure BDA0003130542210000038
在步骤5)中，当l＝2，3时重复步骤(1)-(4)，建立由三个自编码器堆 栈的深度神经网络，第一个自编码器编码层输出值a1为第二个自编码器的输入， 第二个自编码器编码层的输出值a2为第三个自编码器的输入，第三个自编码器 编码层输出值为a3，第二、三个自编码器的网络权值
Figure BDA0003130542210000039
均采用随机数赋初始值。 设置第三个自编码器神经元数目为高光谱影像的端元数目。
按照公式(10)对a3添加约束，a4表示添加约束后的输出值；
Figure BDA00031305422100000310
所述的步骤二具体包括，添加a4到最后一层网络输出采用全连接方式，使 用Relu激活函数
Figure BDA00031305422100000311
输出，w4表示第三个自编码器的编码层的 输出与全连接层输出的网络权值，采用随机数赋初始值，
Figure BDA00031305422100000312
为全连接层的输出值。
所述的步骤三具体包括，把网络输出值
Figure BDA00031305422100000313
和实际输入光谱X之间的光谱角距 离的均值作为整个网络的损失函数LSAD(10)；
Figure BDA00031305422100000314
所述的步骤四具体包括，第一个自编码器训练完成后开始训练第二个自编 码器，直到第三个自编码器训练结束，通过全连接层得到整个网络的损失误差， 通过损失误差由后及前的进行反向传播，通过梯度下降算法对整个网络的权值 进行更新，直至误差损失函数收敛达到最小。
所述的步骤五具体包括，将a4作为求取的丰度矩阵，w4作为光谱影像提取 的端元光谱。
本发明的显著效果如下：成功识别高光谱图像混合像元的端元和组分信息。 该方法通过进行非监督训练识别图像端元和组分，不需要大量的标签数据。通 过进行非监督训练成功识别高光谱图像混合像元的端元光谱并求解组分信息， 不需要大量带有标签的数据支撑，同时解混精度优于传统算法。
附图说明
图1为高光谱图像智能解混神经网络示意图；
图2为Jasper Ridge数据集端元提取结果。
具体实施方式
下面通过附图及具体实施方式对本发明作进一步说明。
步骤一：建立由三个自编码器堆栈的深度神经网络。
(1)构建第一个自编码器
自编码器包括编码和解码两个部分，第一个自编码器的输入为高光谱矩阵 X，采用sigmoid激活函数，按照编码公式(1)和解码公式(2)构建编码器。 l＝1表示第一个自编码器，al为第一个自编码器的编码输出值，
Figure BDA0003130542210000041
为第一个自编 码器的解码输出值，
Figure BDA0003130542210000042
和
Figure BDA0003130542210000043
为分别为自编码器编码层和解码层的权值，设置
Figure BDA0003130542210000044
(*)T表示转置，
Figure BDA0003130542210000045
采用随机数进行初始赋值。自编码网 络基本公式如下：
α1＝sigmoid(we1*X) (1)
Figure BDA0003130542210000046
(2)编码层sigmoid激活函数前进行批标准化处理
按照公式(3)-(6)对第一个自编码器编码层进行批标准化处理。μl和
Figure BDA0003130542210000051
分 别为
Figure BDA0003130542210000052
的均值和方差，n表示输入自编码器的光谱数量，γl和βl为网络的训 练超参数，初始赋值为1的矩阵，∈＝1×10-9。cl为第一个自编层批标准化处理 后的结果。
Figure BDA0003130542210000053
Figure BDA0003130542210000054
Figure BDA0003130542210000055
cl＝γlol+βl (6)
(3)建立第一个自编码器损失函数
输入值X与输出值
Figure BDA0003130542210000056
的均方误差MSEl作为第一个自编码器的损失函数。
Figure BDA0003130542210000057
(4)建立反向传播关系。
求取误差项MSEl对权值
Figure BDA0003130542210000058
的偏导数
Figure BDA0003130542210000059
通过公式(8)得到权值增量dwl，按公式(9)更新
Figure BDA00031305422100000510
进而更新
Figure BDA00031305422100000511
学习率θ＝0.001。
Figure BDA00031305422100000512
Figure BDA00031305422100000513
(5)当l＝2，3时重复步骤(1)-(4)，建立由三个自编码器堆栈的深度 神经网络。第一个自编码器编码层输出值a1为第二个自编码器的输入，第二个 自编码器编码层的输出值a2为第三个自编码器的输入，第三个自编码器编码层 输出值为a3。第二、三个自编码器的网络权值
Figure BDA0003130542210000061
均采用随机数赋初始值。设置 第三个自编码器神经元数目为高光谱影像的端元数目。
按照公式(10)对a3添加“和为一”的约束，a4表示添加约束后的输出值。
Figure BDA0003130542210000062
本实施例中，选择Jasper Ridge高光谱子数据集进行光谱解混，该子图像有 100*100个像元，198个有效波段，包含树木、水体、道路、土壤4种地物。
构建三个自编码器堆栈的神经网络。第一个自编码器输入层神经元数量为Jasper Ridge高光谱数据的波段数198，三个自编码器编码输出层神经元数目分 别设为135、55、4。每个自编码器激活函数为sigmoid，激活函数之前进行批标 准化处理。对第三个自编码器编码层的输出值进行“和为一”约束。
步骤二：建立网络全连接输出层。
添加“和为一”约束后的值a4到最后一层网络输出采用全连接方式，使用Relu激活函数
Figure BDA0003130542210000063
输出，w4表示第三个自编码器的编码层的输 出与全连接层输出的网络权值，采用随机数赋初始值，
Figure BDA0003130542210000064
为全连接层的输出值。
本实施例中建立网络全连接输出层。最后一层全连接层用于重建Jasper Ridge高光谱数据，输出神经元数目为198，采用Relu激活函数，重建光谱为
Figure BDA0003130542210000065
步骤三：建立整个网络的损失函数。
把网络输出值
Figure BDA0003130542210000066
和实际输入光谱X之间的光谱角距离的均值作为整个网络 的损失函数LSAD(10)。
Figure BDA0003130542210000067
步骤四：开始网络训练并逐层反向传播更新网络参数。
开始网络训练。第一个自编码器训练完成后开始训练第二个自编码器，直 到第三个自编码器训练结束，通过全连接层得到整个网络的损失误差。通过损 失误差由后及前的进行反向传播，通过梯度下降算法对整个网络的权值进行更 新，直至误差损失函数收敛达到最小。
本实施例中，开始网络训练并反向传播更新网络参数。对Jasper Ridge高光 谱数据10000*198进行训练，输入光谱总数为10000条，每次无重复抽取50条 光谱，通过迭代算法进行训练，由前向后，逐个完成三个自编码器的训练后， 通过全连接层得到重建光谱，获取光谱角距离损失函数，通过最小化损失函数 项，采用梯度下降算法由后向前进行反向传播，不断迭代更新整个神经网络参 数。
用于高光谱图像智能解混的神经网络结构见图1。
步骤五：获取端元光谱和丰度矩阵。
网络训练完成后，a4为求取的丰度矩阵，w4为光谱影像提取的端元光谱。
本实施例中可以成功获取Jasper Ridge高光谱数据集的端元与丰度。JasperRidge高光谱数据端元提取结果可与图像纯净端元进行比较验证。端元提取和丰 度结果见图2。

Claims (12)

1.一种基于非监督训练的高光谱图像智能解混方法，其特征在于，包括如下步骤：
步骤一、建立由三个自编码器堆栈的深度神经网络；
步骤二、建立网络全连接输出层；
步骤三、建立整个网络的损失函数；
步骤四、开始网络训练并逐层反向传播更新网络参数；
步骤五、获取端元光谱和丰度矩阵。
2.如权利要求1所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：所述的步骤一具体包括：
1)构建第一个自编码器，其包括编码和解码两个部分；
2)编码层sigmoid激活函数前进行批标准化处理；
3)建立第一个自编码器损失函数；
4)建立反向传播关系；
5)建立由三个自编码器堆栈的深度神经网络。
3.如权利要求2所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：在步骤1)中，第一个自编码器的输入为高光谱矩阵X，采用sigmoid激活函数，按照编码公式(1)和解码公式(2)构建编码器；al为第一个自编码器的编码输出值，
Figure FDA0003130542200000011
为第一个自编码器的解码输出值，
Figure FDA0003130542200000012
和
Figure FDA0003130542200000013
为分别为自编码器编码层和解码层的权值，设置
Figure FDA0003130542200000014
(*)T表示转置，
Figure FDA0003130542200000015
采用随机数进行初始赋值，当l＝1表示第一个自编码器，其自编码网络基本公式为：
a1＝sigmoid(we1*X) (1)
Figure FDA0003130542200000016
4.如权利要求3所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：在步骤2)中，按照公式(3)-(6)对第一个自编码器编码层进行批标准化处理；μl和
Figure FDA0003130542200000021
分别为
Figure FDA0003130542200000022
的均值和方差，n表示输入自编码器的光谱数量，γl和βl为网络的训练超参数，初始赋值为1的矩阵，∈＝1×10-9；cl为第一个自编层批标准化处理后的结果；
Figure FDA0003130542200000023
Figure FDA0003130542200000024
Figure FDA0003130542200000025
cl＝γlol+βl (6)。
5.如权利要求4所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：在步骤3)中，输入值X与输出值
Figure FDA0003130542200000026
的均方误差MSEl作为第一个自编码器的损失函数，如下式
Figure FDA0003130542200000027
6.如权利要求5所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：在步骤4)中，建立反向传播关系具体为，求取误差项MSEl对权值
Figure FDA0003130542200000028
的偏导数
Figure FDA0003130542200000029
通过公式(8)得到权值增量dwl，按公式(9)更新
Figure FDA00031305422000000210
进而更新
Figure FDA00031305422000000211
学习率θ＝0.001；
Figure FDA00031305422000000212
Figure FDA00031305422000000213
7.如权利要求6所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：在步骤5)中，当l＝2，3时重复步骤(1)-(4)，建立由三个自编码器堆栈的深度神经网络，第一个自编码器编码层输出值a1为第二个自编码器的输入，第二个自编码器编码层的输出值a2为第三个自编码器的输入，第三个自编码器编码层输出值为a3，第二、三个自编码器的网络权值
Figure FDA0003130542200000031
均采用随机数赋初始值。设置第三个自编码器神经元数目为高光谱影像的端元数目。
8.如权利要求7所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：按照公式(10)对a3添加约束，a4表示添加约束后的输出值；
Figure FDA0003130542200000032
9.如权利要求8所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：所述的步骤二具体包括，添加a4到最后一层网络输出采用全连接方式，使用Relu激活函数
Figure FDA0003130542200000033
输出，w4表示第三个自编码器的编码层的输出与全连接层输出的网络权值，采用随机数赋初始值，
Figure FDA0003130542200000034
为全连接层的输出值。
10.如权利要求8所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：所述的步骤三具体包括，把网络输出值
Figure FDA0003130542200000035
和实际输入光谱X之间的光谱角距离的均值作为整个网络的损失函数LSAD(10)；
Figure FDA0003130542200000036
11.如权利要求8所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：所述的步骤四具体包括，第一个自编码器训练完成后开始训练第二个自编码器，直到第三个自编码器训练结束，通过全连接层得到整个网络的损失误差，通过损失误差由后及前的进行反向传播，通过梯度下降算法对整个网络的权值进行更新，直至误差损失函数收敛达到最小。
12.如权利要求8所述的一种基于非监督训练的高光谱图像智能解混方法，其特征在于：所述的步骤五具体包括，将a4作为求取的丰度矩阵，w4作为光谱影像提取的端元光谱。
CN202110702173.8A 2021-06-24 2021-06-24 一种基于非监督训练的高光谱图像智能解混方法 Active CN113673300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110702173.8A CN113673300B (zh) 2021-06-24 2021-06-24 一种基于非监督训练的高光谱图像智能解混方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110702173.8A CN113673300B (zh) 2021-06-24 2021-06-24 一种基于非监督训练的高光谱图像智能解混方法

Publications (2)

Publication Number Publication Date
CN113673300A true CN113673300A (zh) 2021-11-19
CN113673300B CN113673300B (zh) 2024-07-19

Family

ID=78538269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110702173.8A Active CN113673300B (zh) 2021-06-24 2021-06-24 一种基于非监督训练的高光谱图像智能解混方法

Country Status (1)

Country Link
CN (1) CN113673300B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272873A (zh) * 2022-09-27 2022-11-01 山东大学 基于梯度域的高光谱图像非线性特征预处理系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144214A (zh) * 2019-11-27 2020-05-12 中国石油大学(华东) 基于多层堆栈式自动编码器的高光谱图像解混方法
CN112232280A (zh) * 2020-11-04 2021-01-15 安徽大学 基于自编码器与3d深度残差网络的高光谱图像分类方法
CN112529865A (zh) * 2020-12-08 2021-03-19 西安科技大学 混合像元双线性深层解混方法、系统、应用及存储介质
CN112712034A (zh) * 2020-12-30 2021-04-27 声耕智能科技(西安)研究院有限公司 一种高光谱图像的解混方法及系统
CN112733659A (zh) * 2020-12-30 2021-04-30 华东师范大学 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法
CN112949416A (zh) * 2021-02-04 2021-06-11 东华理工大学 一种监督的高光谱多尺度图卷积分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144214A (zh) * 2019-11-27 2020-05-12 中国石油大学(华东) 基于多层堆栈式自动编码器的高光谱图像解混方法
CN112232280A (zh) * 2020-11-04 2021-01-15 安徽大学 基于自编码器与3d深度残差网络的高光谱图像分类方法
CN112529865A (zh) * 2020-12-08 2021-03-19 西安科技大学 混合像元双线性深层解混方法、系统、应用及存储介质
CN112712034A (zh) * 2020-12-30 2021-04-27 声耕智能科技(西安)研究院有限公司 一种高光谱图像的解混方法及系统
CN112733659A (zh) * 2020-12-30 2021-04-30 华东师范大学 一种基于自步学习双流多尺度密集连接网络的高光谱图像分类方法
CN112949416A (zh) * 2021-02-04 2021-06-11 东华理工大学 一种监督的高光谱多尺度图卷积分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘冰;余旭初;张鹏强;谭熊;魏祥坡;: "面对高光谱影像分类的半监督阶梯网络", 测绘科学技术学报, no. 06, pages 29 - 34 *
韩竹;高连如;张兵;孙旭;李庆亭;: "高分五号高光谱图像自编码网络非线性解混", 遥感学报, no. 04, pages 61 - 73 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272873A (zh) * 2022-09-27 2022-11-01 山东大学 基于梯度域的高光谱图像非线性特征预处理系统及方法

Also Published As

Publication number Publication date
CN113673300B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
Lin et al. Hyperspectral image denoising via matrix factorization and deep prior regularization
CN113011499A (zh) 一种基于双注意力机制的高光谱遥感图像分类方法
CN108121975B (zh) 一种联合原始数据和生成数据的人脸识别方法
CN111144214B (zh) 基于多层堆栈式自动编码器的高光谱图像解混方法
CN112949416B (zh) 一种监督的高光谱多尺度图卷积分类方法
CN107145836B (zh) 基于栈式边界辨别自编码器的高光谱图像分类方法
CN111598786B (zh) 一种基于深度去噪自编码网络的高光谱图像解混方法
CN110020693B (zh) 基于特征注意和特征改善网络的极化sar图像分类方法
CN108446766A (zh) 一种快速训练堆栈自编码深度神经网络的方法
CN108415883A (zh) 基于子空间聚类的凸非负矩阵分解方法
Saravanan et al. Intelligent Satin Bowerbird Optimizer Based Compression Technique for Remote Sensing Images.
CN117036936A (zh) 高分辨率遥感图像土地覆盖分类方法、设备及存储介质
CN112215267A (zh) 一种面向高光谱图像的深度空谱子空间聚类方法
CN112699838B (zh) 基于光谱诊断特征加权的高光谱混合像元非线性盲分解方法
CN105046272A (zh) 一种基于简洁非监督式卷积网络的图像分类方法
CN116051896B (zh) 一种轻量化混合张量神经网络的高光谱图像分类方法
CN112967210A (zh) 一种基于全卷积孪生网络的无人机图像去噪方法
CN112766360A (zh) 一种基于时序二维化和宽度学习的时间序列分类方法和系统
CN113673300B (zh) 一种基于非监督训练的高光谱图像智能解混方法
CN117197008A (zh) 一种基于融合校正的遥感图像融合方法和系统
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
CN112836736B (zh) 一种基于深度自编码器构图的高光谱图像半监督分类方法
Xiong et al. NMF-SAE: An interpretable sparse autoencoder for hyperspectral unmixing
CN114926691A (zh) 基于卷积神经网络的虫害智能化识别方法及系统
CN116012349A (zh) 基于最小单形体体积约束及Transformer结构的高光谱图像解混方法

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