CN114399684B - 一种基于双损失函数的高光谱图像开放性分类方法 - Google Patents
一种基于双损失函数的高光谱图像开放性分类方法 Download PDFInfo
- Publication number
- CN114399684B CN114399684B CN202210295840.XA CN202210295840A CN114399684B CN 114399684 B CN114399684 B CN 114399684B CN 202210295840 A CN202210295840 A CN 202210295840A CN 114399684 B CN114399684 B CN 114399684B
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- loss function
- double
- classification
- openness
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Abstract
本发明为解决现有图像处理中高光谱图像开放性分类方法中大多采用的为针对图像级进行分类,不适用像素级的图像分类;或在分类处理过程中易受噪声和混合像元影响的技术问题,而提供了一种基于双损失函数的高光谱图像开放性分类方法。包括以下步骤:步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块;步骤2、构造特征提取网络,利用高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练;步骤3、获取相应类别数据的特征向量;步骤4、构造双损失函数分类网络,利用特征向量训练双损失函数分类网络;步骤5、利用双损失函数分类网络及预设的阈值对三维高光谱图像S的邻域块数据进行开放性分类。
Description
技术领域
本发明涉及图像处理领域中关于高光谱图像开放性分类方法,具体涉及一种基于双损失函数的高光谱图像开放性分类方法。
背景技术
高光谱图像分类在农业、环境保护、生态治理等领域有着越来越多的应用。近年来有许多高光谱图像分类算法被提出。但这些算法大都认为测试样本的类别是属于训练样本中已知的类别。然而在实际的场景中,训练样本很难包含所有的类别,测试数据中难免会出现没有训练过的未知类别数据。为了解决这个问题,人们提出了开放性分类算法:判断数据属于未知类别还是属于已知类别中的某一类。
目前有多种类型的开放性分类算法被提出,如One-class SVM、W-SVM、1-vs-setMachine等基于SVM的开放性分类算法;EVM、OSNN等基于邻域的开放性分类算法;OpenMax、对抗样本生产法等基于深度学习的开放性分类算法。但这些算法都是针对灰度图像或者彩色图像设计的,他们都是在图像级进行分类。这些算法并不适用于像素级且具有多个谱段的高光谱图像分类任务。Huang等人发表的论文“Open-Category classification ofhyperspectral images based on convolutional neural networks”(CSAE 2019,Article 123)中提出了一种利用卷积神经网结合阈值的方法对高光谱图像进行开放性分类的方法,然而这种方法只考虑了类间的差异性,没有考虑类内的相似性,容易受噪声和混合像元的影响。
发明内容
本发明的目的是解决现有图像处理中高光谱图像开放性分类方法中大多采用的为针对图像级进行分类,不适用于像素级的图像分类;或在分类处理过程中易受噪声和混合像元影响的技术问题,而提供了一种基于双损失函数的高光谱开放性分类方法,充分考虑数据的类间差异和类内相似性,利用两个损失函数对网络进行训练,提高了高光谱图像开放性分类的准确率。
为达到上述目的,本发明采用的技术方案为:
一种基于双损失函数的高光谱图像开放性分类方法,其特殊之处在于,包括以下步骤:
步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块;
步骤2、构造特征提取网络,利用三维高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练;
步骤3、获取相应类别数据的特征向量;
步骤4、构造双损失函数分类网络,并利用步骤3获取的特征向量训练双损失函数分类网络;
步骤5、利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像S的邻域块数据进行开放性分类。
进一步地,步骤1具体为:
将三维高光谱图像X和待测试三维高光谱图像S分别向四周扩展a个像素,并对扩展处进行复制填充,再以原始三维高光谱图像X和待测试三维高光谱图像S中的每个像素点为中心,选取空间大小为A×A的邻域块,邻域块的类别与中心像素点的类别相对应;
其中,a≥1,且为整数;A=2a+1。
进一步地,步骤2具体为:
2.1、构建特征提取网络
所述特征提取网络包括依次设置的至少1个卷积层、全连接层和softmax输出层;
所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层;
2.2、训练特征提取网络
将已知三维高光谱图像X的邻域块数据进行随机划分,分为训练集Tr和验证集Te,利用训练集数据和其对应的类别标签对特征提取网络进行训练。
进一步地,步骤3具体为:
3.1、将训练好的特征提取网络中的softmax输出层移除,以全连接层作为输出层,把训练集Tr中的每个数据输入到特征提取网络中,通过全连接层输出一个特征向量;
3.2、把所有特征向量根据类别进行平均,得到每个类别对应的特征向量。
进一步地,步骤4具体为:
4.1、构造双损失函数分类网络
所述双损失函数分类网络包括依次设置的至少1个卷积层、全连接层输出层和softmax输出层;
所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层;
4.2、训练双损失函数分类网络
利用训练集对双损失函数分类网络进行训练,损失函数L由特征损失L 1 和交叉熵损失L 2 加权得到;
定义三维高光谱图像X的数据类别数为C,每个输入的训练数据x∈Tr,其有对应的特征向量f i 和类别标签y i ,其中1≤i≤C,特征损失L 1 为:
其中,f 为全连接层输出层输出的特征向量;
交叉熵损失L 2 为:
其中,y为softmax输出层对应类别标签y i 的输出概率;
总的损失函数L为:
其中,b为双损失系数,b>0。
进一步地,步骤5具体为:
将待测试三维高光谱图像S的邻域块数据输入到双损失函数分类网络中,通过softmax输出层得到C个输出{y 1 ,…y i ,…y c },令i=argmax(y 1 ,…y i ,…,y c ),再根据下式进行判断,得到类别i:
其中,Q为预设的阈值;
以此得到待测试三维高光谱图像S的分类结果。
进一步地,步骤2.1中,所述特征提取网络结构包括依次设置的5个卷积层,5个卷积核的大小分别为1×1,1×1,1×1,3×3,3×3;卷积核的个数分别为128、64、32、16、16;
步骤4.1中,所述双损失函数分类网络依次设置的5个卷积层,5个卷积核的大小分别为1×1,1×1,1×1,3×3,3×3;卷积核的个数分别为128、64、32、16、16。
进一步地,步骤2.2中:所述训练集和验证集的划分比例为2:1。
进一步地,步骤4.2中:b=4。
进一步地,步骤5中:Q=0.9。
与现有技术相比,本发明具有的有益技术效果如下:
1、本发明提出的基于双损失函数的高光谱开放性分类方法,利用两个损失函数同时进行类间差异和类内相似的约束。每个数据经网络输出的向量,利用损失函数计算与其对应类别的特征向量的相似度,能够让同类数据的特征分布更集中;交叉熵损失函数用于分类每类数据,提高数据的类间差异。
2、本发明提出的基于双损失函数的高光谱开放性分类方法中的两个网络均只采用5层卷积,网络结构简单,网络参数少,大大减少训练和预测所需要的时间和内存消耗。
3、本发明提出的基于双损失函数的高光谱开放性分类方法中特征提取网络和双损失函数网络同结构设计,在训练双损函数网络时,可先加载已经训练好的特征提取网络的参数,无需从头开始训练,能够大大减少训练所需的时间。
附图说明
图1为本发明基于双损失函数的高光谱开放性分类方法实施例的流程图。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明提出的一种基于双损失函数的高光谱开放性分类方法作进一步详细说明。本领域技术人员应当理解的是,这些实施方式仅仅用来解释本发明的技术原理,目的并不是用来限制本发明的保护范围。
如图1所示,该实施例提出的基于双损失函数的高光谱开放性分类方法,具体包括以下步骤:
步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素取邻域块。
对三维高光谱图像X的数据进行类别划分,并标记类别标签,记三维高光谱图像X的数据类别数为C,待测试三维高光谱图像S中的数据类别可为X中未出现的类别。
先对高光谱图像X和S分别向周围扩展4个像素,并进行复制填充,再对原始高光谱图像X和S的每个像素点以自身为中心,选取空间大小为9×9的邻域块,邻域块的类别与中心像素点的类别相对应。
步骤2、构造特征提取网络,利用三维高光谱图像X的邻域块数据及其对应的类别标签对特征提取网络进行训练;
2.1、构建特征提取网络
该特征提取网络结构包括依次设置的5个卷积层、全连接层和softmax输出层。
每个卷积层包括依次设置的二维卷积层、归一化层、relu激活层,5个卷积核的大小依次是:1×1,1×1,1×1,3×3,3×3;卷积核的个数依次是128、64、32、16、16。
2.2、训练特征提取网络
将已知三维高光谱图像X的邻域块数据进行随机划分,分为训练集Tr和验证集Te,训练集和验证集的比例为2:1,利用训练集数据Tr和其对应的类别标签对特征提取网络进行训练。
步骤3、获取相应类别数据的特征向量;
3.1、将训练好的特征提取网络中的softmax输出层移除,以全连接层作为输出层,把训练集Tr中的每个数据输入到特征提取网络中,通过全连接层输出一个特征向量;
3.2、把所有特征向量根据类别进行平均,得到C个类别对应的特征向量f 1 , … f i ,…,f c ,其中1≤i≤C。
步骤4、构造双损失函数分类网络,并利用步骤3获取的特征向量训练双损失函数分类网络;
4.1、构造双损失函数分类网络
该双损失函数分类网络包括依次设置的5个卷积层、全连接层输出层和softmax输出层。
每个卷积层包括依次设置二维卷积层、归一化层、relu激活层,5个卷积核的大小依次是:1×1,1×1,1×1,3×3,3×3;卷积核的个数依次是128、64、32、16、16。
双损失函数分类网络设置有两个输出,分别为全连接输出层以及softmax输出层。其中全连接层即输出特征向量数据,又将数据传给softmax输出层。
4.2、训练双损失函数分类网络
利用训练集Tr对双损失函数分类网络进行训练,损失函数L由特征损失L 1 和交叉熵损失L 2 加权得到。
假设每个输入的训练数据x∈Tr,其有对应的特征向量f i 和类别标签y i ,特征损失L 1 定义如下:
其中,f 为全连接层输出输出层的特征向量。
交叉熵损失L 2 的定义如下:
其中,y为softmax输出层对应类别标签y i 的输出概率。
总的损失函数L定义如下:
其中,b为双损失系数,b>0;经多次实验验证,当b=4时,对应类别的特征向量的相似度更高,同类数据的特征分布更集中,数据的类间差异更大,分类的结果更准确。
步骤5、利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像S的邻域块数据进行开放性分类;
将待测试三维高光谱图像S的邻域块数据输入到双损失函数分类网络中,通过softmax输出层将得到C个输出{y 1 ,…y i ,…y c },令i=argmax(y 1 ,…y i ,…,y c ),再根据下式进行判断,得到类别i:
其中,Q为预设的阈值;Q=0.9,以此得到待测试三维高光谱图像S的分类结果。
下面结合仿真实验对本发明的效果做进一步的说明:
仿真实验条件:
本实施例的仿真实验采用的硬件测试平台是:处理器为Inter Core i7-10875H,主频为2.30GHz,内存32GB,显卡为 RTX 2070 Super;软件平台为:Windows 10家庭版64位操作系统和Python3.6。
本实施例的仿真数据使用Indian pines公开数据集,图像大小为145×145,谱段数为200,总共有16类地物。在仿真实验中,将1-12类地物设为已知类地物,13-16类地物设为未知类,各类别样本数如表1所示。随机划分1-12类地物中的70%作为训练数据,剩下30%数据和13-16类地物作为预测数据进行效果评价。
表1 实验数据集各类别样本数
实验采用整体精度OA(overall accuracy)作为评价指标,并与现有4种方法进行对比。
这4种现有方法分别是:
1)OS-CNTP:出自论文“Open-Category classification of hyperspectralimages based on convolutional neural networks”(CSAE 2019, Article 123),该方法利用一个简单的卷积神经网对高光谱数据进行分类,然后利用给定阈值判断数据为已知类还是未知类。
2)W-SVM:出自论文“Probability Models for Open Set Recognition”(IEEETransactions on Pattern Analysis and Machine Intelligence, vol. 36, no. 11,pp. 2317-2324, 1 Nov. 2014),该方法利用One-class SVM得出的概率值,利用韦伯分布和逆韦伯分布进行拟合,通过两个分布的乘积来对数据进行分类。
3) EVM:出自论文"The Extreme Value Machine"(IEEE Transactions onPattern Analysis and Machine Intelligence, vol. 40, no. 3, pp. 762-768, 1March 2018),该方法利用各样本的边缘数据的分布情况,利用极大值法,对测试数据进行分类。若测试数据符合某类已知数据的边缘分布,则判为置信度最大的那类;若均不符合,则为未知类。
4)OSNN:出自论文“Nearest neighbors distance ratio open-set classifier”(Machine Learning, 2016, 106(3):1-28),该算法先计算与测试样本最近的已知样本距离,再计算与该样本不同类样本的最近距离,获得这两个距离的比值,根据阈值进行分类。
表2 本发明与现有技术在OA上的对比
从表2可以看出,与现有的开放性分类方法相比较,本发明提出的算法在整体精度上最高。这个结果表明,基于双损失函数的网络,使用同时增大类间差异和类内相似性的策略,能有效的提升高光谱图像开放性分类的准确率。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明技术方案的范围。
Claims (9)
1.一种基于双损失函数的高光谱图像开放性分类方法,其特征在于,包括以下步骤:
步骤1、对已知三维高光谱图像X和待测试三维高光谱图像S的每个像素分别取邻域块;
步骤2、构造特征提取网络,利用三维高光谱图像X的邻域块数据及其相应的类别标签对特征提取网络进行训练;
步骤3、获取相应类别数据的特征向量;
步骤4、构造双损失函数分类网络,并利用步骤3获取的特征向量训练双损失函数分类网络;
4.1、构造双损失函数分类网络
所述双损失函数分类网络包括依次设置的至少1个卷积层、全连接层输出层和softmax输出层;
所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层;
4.2、训练双损失函数分类网络
利用训练集对双损失函数分类网络进行训练,损失函数L由特征损失L1和交叉熵损失L2加权得到;
定义三维高光谱图像X的数据类别数为C,每个输入的训练数据x∈Tr,其有对应的特征向量fi和类别标签yi,其中1≤i≤C,特征损失L1为:
L1=(f-fi)2
其中,f为全连接层输出层输出的特征向量;
交叉熵损失L2为:
L2=ylog(yi)
其中,y为softmax输出层对应类别标签yi的输出概率;
总的损失函数L为:
L=L1+bL2
其中,b为双损失系数,b>0;
步骤5、利用已训练好的双损失函数分类网络及预设的阈值Q对待测试三维高光谱图像S的邻域块数据进行开放性分类。
2.根据权利要求1所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于:步骤1具体为:
将三维高光谱图像X和待测试三维高光谱图像S分别向四周扩展a个像素,并对扩展处进行复制填充,再以原始三维高光谱图像X和待测试三维高光谱图像S中的每个像素点为中心,选取空间大小为A×A的邻域块,邻域块的类别与中心像素点的类别相对应;
其中,a≥1,且为整数;A=2a+1。
3.根据权利要求2所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于,步骤2具体为:
2.1、构建特征提取网络
所述特征提取网络包括依次设置的至少1个卷积层、全连接层和softmax输出层;
所述卷积层包括依次设置的二维卷积层、归一化层和relu激活层;
2.2、训练特征提取网络
将已知三维高光谱图像X的邻域块数据进行随机划分,分为训练集Tr和验证集Te,利用训练集数据和其对应的类别标签对特征提取网络进行训练。
4.根据权利要求3所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于,步骤3具体为:
3.1、将训练好的特征提取网络中的softmax输出层移除,以全连接层作为输出层,把训练集Tr中的每个数据输入到特征提取网络中,通过全连接层输出一个特征向量;
3.2、把所有特征向量根据类别进行平均,得到每个类别对应的特征向量。
6.根据权利要求5所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于:
步骤2.1中,所述特征提取网络结构包括依次设置的5个卷积层,5个卷积核的大小分别为1×1,1×1,1×1,3×3,3×3;卷积核的个数分别为128、64、32、16、16;
步骤4.1中,所述双损失函数分类网络依次设置的5个卷积层,5个卷积核的大小分别为1×1,1×1,1×1,3×3,3×3;卷积核的个数分别为128、64、32、16、16。
7.根据权利要求6所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于,步骤2.2中:
所述训练集和验证集的划分比例为2:1。
8.根据权利要求7所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于,步骤4.2中:
b=4。
9.根据权利要求8所述的基于双损失函数的高光谱图像开放性分类方法,其特征在于,步骤5中:
Q=0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295840.XA CN114399684B (zh) | 2022-03-24 | 2022-03-24 | 一种基于双损失函数的高光谱图像开放性分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210295840.XA CN114399684B (zh) | 2022-03-24 | 2022-03-24 | 一种基于双损失函数的高光谱图像开放性分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399684A CN114399684A (zh) | 2022-04-26 |
CN114399684B true CN114399684B (zh) | 2022-08-05 |
Family
ID=81235033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210295840.XA Active CN114399684B (zh) | 2022-03-24 | 2022-03-24 | 一种基于双损失函数的高光谱图像开放性分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399684B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978041A (zh) * | 2019-03-19 | 2019-07-05 | 上海理工大学 | 一种基于交替更新卷积神经网络的高光谱图像分类方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
WO2020127422A1 (fr) * | 2018-12-19 | 2020-06-25 | Lysia | Dispositif de détection hyperspectrale |
CN112149758A (zh) * | 2020-10-24 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种基于欧式距离和深度学习的高光谱开放集分类方法 |
CN113392931A (zh) * | 2021-07-02 | 2021-09-14 | 西安电子科技大学 | 基于自监督学习及多任务学习的高光谱开放集分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191736B (zh) * | 2020-01-05 | 2022-03-04 | 西安电子科技大学 | 基于深度特征交叉融合的高光谱图像分类方法 |
CN112949592B (zh) * | 2021-03-31 | 2022-07-22 | 云南大学 | 高光谱图像的分类方法、装置和电子设备 |
-
2022
- 2022-03-24 CN CN202210295840.XA patent/CN114399684B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020127422A1 (fr) * | 2018-12-19 | 2020-06-25 | Lysia | Dispositif de détection hyperspectrale |
CN109978041A (zh) * | 2019-03-19 | 2019-07-05 | 上海理工大学 | 一种基于交替更新卷积神经网络的高光谱图像分类方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
CN112149758A (zh) * | 2020-10-24 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种基于欧式距离和深度学习的高光谱开放集分类方法 |
CN113392931A (zh) * | 2021-07-02 | 2021-09-14 | 西安电子科技大学 | 基于自监督学习及多任务学习的高光谱开放集分类方法 |
Non-Patent Citations (2)
Title |
---|
"Open-Category Classification of Hyperspectral Images based on Convolutional Neural Networks";TingTing Huang et al.;《ACM》;20191231;第1-5页 * |
"基于卷积神经网络的高光谱影像开集分类技术研究";黄婷婷;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20210615;第C028-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114399684A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316013B (zh) | 基于nsct变换和dcnn的高光谱图像分类方法 | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
Huang et al. | Classification and extraction of spatial features in urban areas using high-resolution multispectral imagery | |
Audebert et al. | Generative adversarial networks for realistic synthesis of hyperspectral samples | |
CN109784392B (zh) | 一种基于综合置信的高光谱图像半监督分类方法 | |
CN102236675B (zh) | 图像特征点匹配对处理、图像检索方法及设备 | |
CN109299668B (zh) | 一种基于主动学习和聚类分析的高光谱图像分类方法 | |
CN111723675A (zh) | 基于多重相似性度量深度学习的遥感图像场景分类方法 | |
CN115937655B (zh) | 多阶特征交互的目标检测模型及其构建方法、装置及应用 | |
CN110717554A (zh) | 图像识别方法、电子设备及存储介质 | |
CN110866439B (zh) | 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法 | |
CN113052216B (zh) | 基于双路图u-net卷积网络的溢油高光谱图像检测方法 | |
CN113723492A (zh) | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 | |
CN103955709A (zh) | 基于加权合成核与tmf的极化sar图像分类方法 | |
CN117237733A (zh) | 一种结合自监督和弱监督学习的乳腺癌全切片图像分类方法 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN116977747B (zh) | 基于多路多尺度特征孪生网络的小样本高光谱分类方法 | |
CN113378620A (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
Bressan et al. | Semantic segmentation with labeling uncertainty and class imbalance | |
CN114399684B (zh) | 一种基于双损失函数的高光谱图像开放性分类方法 | |
CN105205487B (zh) | 一种图片处理方法及装置 | |
CN112949592B (zh) | 高光谱图像的分类方法、装置和电子设备 | |
CN111461139A (zh) | 一种复杂场景下的多目标视觉显著性分层检测方法 | |
CN110443267A (zh) | 误检过滤方法、装置、拍摄装置及存储介质 |
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 |