CN114821149A - 一种基于深度森林迁移学习的高光谱遥感图像识别方法 - Google Patents
一种基于深度森林迁移学习的高光谱遥感图像识别方法 Download PDFInfo
- Publication number
- CN114821149A CN114821149A CN202210220359.4A CN202210220359A CN114821149A CN 114821149 A CN114821149 A CN 114821149A CN 202210220359 A CN202210220359 A CN 202210220359A CN 114821149 A CN114821149 A CN 114821149A
- Authority
- CN
- China
- Prior art keywords
- deep forest
- remote sensing
- data set
- forest
- deep
- 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
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度森林迁移学习的高光谱遥感图像识别方法,具体包括以下步骤:S1、选取源域数据集和目标域数据集;S2、使用ResNet‑CNN对源域数据集进行训练,提取光谱信息和空间信息,本发明涉及遥感图像技术领域。该基于深度森林迁移学习的高光谱遥感图像识别方法,通过深度森林迁移学习,能够有效的适用于训练样本不足的情况、同时具有很好的模型通用性,因此也解决了设备要求高、分类耗时等问题,采用双分支网络结构即ResNet‑CNN作为特征提取算法,能高效地提取想要的样本特征,采用深度森林算法作为分类器,提高了分类精度,避免了调参困难、过拟合等现象,最终提高了分类效率、降低了分类成本以及对训练样本的需求量。
Description
技术领域
本发明涉及遥感图像技术领域,具体为一种基于深度森林迁移学习的高光谱遥感图像识别方法。
背景技术
遥感是一种远距离、非接触式的目标检测技术,是人们研究地面物体特征的一种重要手段,随着计算机科学、传感器技术、航空航天平台等技术的兴起,所获遥感图像从宽波段逐渐向宅波段成像发展,同时呈现出高空间分辨率、高光谱分辨率、高时间分辨率等特点,出现了高光谱遥感,通过高光谱遥感获得的图像,在包括丰富的地物目标光谱信息的同时,也拥有丰富的空间上下文信息,为地物目标的分类与识别提供了充分的特征信息,具有“图谱合一”的性质,对高光谱图像进行分类是获取地物信息的一种重要手段,传统的算法例如支持向量机、随机森林、贝叶斯等模型对早期的分类研究作出了重要贡献,通常在对原始高光谱图像进行降维后,利用光谱特征实现样本分类。
目前对于有监督的分类算法而言,严重依赖大量带标签样本,如果训练样本较少,会导致深度学习在训练过程中不能收敛,产生过拟合,严重影响分类精度和速度,而高光谱训练样本的获取需要经过实地考察和专家人工标记,获取代价较高,对于无监督或半监督的分类算法而言,虽然可以解决依赖大量带标签样本的问题,但在高光谱遥感图像中存在旋转、缩放、变形等问题,会造成数据的实际分布与训练数据学习到的模型不一致,如果强行将未标记样本加入训练集中,会使分类精度降低,目前常用的高光谱遥感图像分欸算法含有大量超参数需要调节,调参过程繁琐,人为调参过程困难且缓慢,很难调出合适的值,只能针对不同的应用制定不同的算法模型,不具有通用性以及对计算设备的要求较高。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于深度森林迁移学习的高光谱遥感图像识别方法,解决了目前常用的高光谱遥感图像分欸算法含有大量超参数需要调节,调参过程繁琐,人为调参过程困难且缓慢,难以构造通用模型以及对计算设备要求较高的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度森林迁移学习的高光谱遥感图像识别方法,具体包括以下步骤:
S1、选取源域数据集和目标域数据集;
S2、使用ResNet-CNN对源域数据集进行训练,提取光谱信息和空间信息,然后进行特征融合和分类;
S3、将源域数据集中训练好的网络层迁移到目标域数据集,随机初始化后几层,再利用目标域数据集中少量样本训练,得到样本特征;
S4、将样本特征作为深度森林分类模型的输入,对深度森林分类模型进行训练;
S5、当深度森林分类模型训练完后,利用训练后的模型对实际需要处理的高光谱图像进行分类,得到高光谱图像的分类结果。
优选的,所述步骤S1中源域数据集为带标签样本的高光谱图像数据集,目标域数据集为高光谱图像数据集。
优选的,所述步骤S2中深度学习模型ResNet-CNN有两个神经网络分支,分别用于提取空间特征和光谱特征,光谱分支选取第n个像素的全部有效光谱波段作为输入,经过卷积运算和最大池化,得到光谱分支的输出作为光谱特征。
优选的,所述步骤S2中通过主成分分析法(PCA)对高光谱图像进行降维,空间分支选取第n个像素和其21*21空间邻域的前三个波段作为输入,在这个分支经过ResNet50模型之后的输出作为提取的空间特征,为了利用光谱相关性和空间相关性并获得联合光谱-空间特征,同时将光谱特征和空间特征输入到后面的全连接层,经过几个全连接层后,最后一个全连接层的输出是最终的联合光谱-空间特征,接下来是一个softmax回归层来预测每个类的概率分布。
优选的,所述步骤S4中的深度森林由两部分所组成:多粒度扫描结构和级联森林结构,深度森林采用多维度扫描和级联处理的方法,可以有效识别和处理高维度特征信息,并在模型识别问题上表现出了良好的性能,该算法为了降低过拟合的可能,可以自适应地确定级联层数,自行决定模型的复杂程度。
优选的,深度森林通过滑动窗口扫描原始数据,生成一组多尺寸特征向量,通过级联森林结构从前一层输入的数据和输出结果数据做合并作为下一层的输入。
优选的,向量与输入到级联的下一层的原始特征向量相拼接,作为下一层的输入,即可完成一次特征变化,并保留了原始特征继续后续处理,每一层都这样,其重要思想之一是根据每个输入实例生成对应类分布。
优选的,深度森林的输入是每个像素点的一维变量,采用K折交叉验证法(K-fold)确定森林层数,每个样本数据作为k-1次的训练数据,生成k-1个类向量,并根据训练目标域数据集中带标记的高光谱图像得到验证集,在扩展到一个新层数后,整个结构的性能将在验证集上评估,若没有显著的性能,则终止程序,并确定深度森林的层数,深度森林的训练过程中,每层样本数据都由两种森林组成:完全随机森林和随机森林,完全随机森林在完整的特征空间中随机选择特征作为决策树的分裂节点,然后不断生长,当决策树中的所有叶节点都无法分裂时,则终止训练,随机森林随机选取(d为输入特征维度)个候选特征,然后使用基尼系数筛选分类结点。
优选的,当深度森林分类模型训练完成后,利用训练出的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类,得到高光谱遥感图像的分类结果,其中取深度森林分类模型中最后一层所有森林输出类概率的平均值中的最大值,作为深度森林分类模型输出的分类结果所对应的类别:Fin(c)=Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}。
(三)有益效果
本发明提供了一种基于深度森林迁移学习的高光谱遥感图像识别方法。具备以下有益效果:该基于深度森林迁移学习的高光谱遥感图像识别方法,具体包括以下步骤:S1、选取源域数据集和目标域数据集;S2、使用ResNet-CNN对源域数据集进行训练,提取光谱信息和空间信息,然后进行特征融合和分类;S3、将源域数据集中训练好的网络层迁移到目标域数据集,随机初始化后几层,再利用目标域数据集中少量样本训练,得到样本特征;S4、将样本特征作为深度森林分类模型的输入,对深度森林分类模型进行训练;S5、当深度森林分类模型训练完后,利用训练后的模型对实际需要处理的高光谱图像进行分类,得到高光谱图像的分类结果,通过深度森林迁移学习,能够有效的适用于训练样本不足的情况、同时具有很好的模型通用性,因此也解决了设备要求高、分类耗时等问题,采用双分支网络结构即ResNet-CNN作为特征提取算法,能高效地提取想要的样本特征,采用深度森林算法作为分类器,提高了分类精度,避免了调参困难、过拟合等现象,最终提高了分类效率、降低了分类成本以及对训练样本的需求量。
附图说明
图1为本发明的流程图;
图2为本发明网络结构的示意图;
图3为本发明深度深林的示意图;
图4为本发明整体框架的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-4,本发明实施例提供一种技术方案:一种基于深度森林迁移学习的高光谱遥感图像识别方法,具体包括以下步骤:
S1、选取源域数据集和目标域数据集;
S2、使用ResNet-CNN对源域数据集进行训练,提取光谱信息和空间信息,然后进行特征融合和分类;
S3、将源域数据集中训练好的网络层迁移到目标域数据集,随机初始化后几层,再利用目标域数据集中少量样本训练,得到样本特征;
S4、将样本特征作为深度森林分类模型的输入,对深度森林分类模型进行训练;
S5、当深度森林分类模型训练完后,利用训练后的模型对实际需要处理的高光谱图像进行分类,得到高光谱图像的分类结果。
本发明实施例中,步骤S1中源域数据集为带标签样本的高光谱图像数据集,目标域数据集为高光谱图像数据集。
本发明实施例中,步骤S2中深度学习模型ResNet-CNN有两个神经网络分支,分别用于提取空间特征和光谱特征,光谱分支选取第n个像素的全部有效光谱波段作为输入,经过卷积运算和最大池化,得到光谱分支的输出作为光谱特征。
本发明实施例中,步骤S2中通过主成分分析法(PCA)对高光谱图像进行降维,空间分支选取第n个像素和其21*21空间邻域的前三个波段作为输入,在这个分支经过ResNet50模型之后的输出作为提取的空间特征,为了利用光谱相关性和空间相关性并获得联合光谱-空间特征,同时将光谱特征和空间特征输入到后面的全连接层,经过几个全连接层后,最后一个全连接层的输出是最终的联合光谱-空间特征,接下来是一个softmax回归层来预测每个类的概率分布。
本发明实施例中,步骤S4中的深度森林由两部分所组成:多粒度扫描结构和级联森林结构。
本发明实施例中,深度森林通过滑动窗口扫描原始数据,生成一组多尺寸特征向量,通过级联森林结构从前一层输入的数据和输出结果数据做合并作为下一层的输入。
本发明实施例中,向量与输入到级联的下一层的原始特征向量相拼接,作为下一层的输入,即可完成一次特征变化,并保留了原始特征继续后续处理,每一层都这样,其重要思想之一是根据每个输入实例生成对应类分布。
本发明实施例中,深度森林的输入是每个像素点的一维变量,采用K折交叉验证法(K-fold)确定森林层数,每个样本数据作为k-1次的训练数据,生成k-1个类向量,并根据训练目标域数据集中带标记的高光谱图像得到验证集,在扩展到一个新层数后,整个结构的性能将在验证集上评估,若没有显著的性能,则终止程序,并确定深度森林的层数,深度森林的训练过程中,每层样本数据都由两种森林组成:完全随机森林和随机森林,完全随机森林在完整的特征空间中随机选择特征作为决策树的分裂节点,然后不断生长,当决策树中的所有叶节点都无法分裂时,则终止训练,随机森林随机选取(d为输入特征维度)个候选特征,然后使用基尼系数筛选分类结点。
本发明实施例中,当深度森林分类模型训练完成后,利用训练出的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类,得到高光谱遥感图像的分类结果,其中取深度森林分类模型中最后一层所有森林输出类概率的平均值中的最大值,作为深度森林分类模型输出的分类结果所对应的类别:Fin(c)=Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}。
迁移学习是一种运用已有知识对不同但相似领域问题进行求解的机器学习方法,与传统的机器学习相比,迁移学习不但可以解决训练样本不足的问题,还可以满足训练数据和测试数据服从不同分布的情况,同时迁移学习也能够将训练得到的模型在不同任务之间进行迁移和共享,将迁移学习与深度学习相结合,能够在保证深度模型所能达到的精度同时,发挥迁移学习分类速度快、对训练样本和硬件设备要求低等特点,近年来深度迁移学习已经在自然语言以及图像处理等方面取得了令人满意的效果。
目前在基于深度迁移学习的高光谱遥感图像分类方法中,最为主要的是对深度神经网络算法进行迁移,实现对不同领域的遥感图像进行分类。
迁移学习能够有效地解决CNN在训练时需要大量参数的问题,迁移学习将性能优秀的分类网络的前n层迁移至新的神经网络,作为新任务的特征提取器,前n层的权重参数是预训练好的,假设新的神经网络共有m层,整个网络后m-n层需要针对新的数据集进行结构设计和权重训练。
迁移学习所涉及的数据集如下式所示:DS={XS,LS},DT={XT,LT},PS≠PT式中:DS、DT分别为旧模型和新模型的数据集,X、L和P分别为数据信息、类标签和类分布情况,下标S和T分别为迁移学习中的源域和目标域,源域和目标域的CNN分类识别过程如下式所示:式中:M为CNN模型,为模型输出,w为模型权重参数,预训练模型的参数训练过程如下式所示:式中:E为交叉熵损失函数。
在迁移学习过程中,预训练模型的前n层参数被迁移至新的任务中,如下式所示:wT(1:n)=wS(1:n)式中:wT(1:n)和wS(1:n)分别为源域模型和目标域模型前n层的权重参数。
目标域模型后m-n层参数将会使用新任务的数据进行训练,训练过程如下式所示:
式中:wT(1:m)为目标域模型的全部权重参数,在训练过程中目标域模型的前n层的权重参数wT(1:n)保持不变,目标域模型的后m-n层的权重参数wT(n:m)在新数据的基础上进行训练优化。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:具体包括以下步骤:
S1、选取源域数据集和目标域数据集;
S2、使用ResNet-CNN对源域数据集进行训练,提取光谱信息和空间信息,然后进行特征融合和分类;
S3、将源域数据集中训练好的网络层迁移到目标域数据集,随机初始化后几层,再利用目标域数据集中少量样本训练,得到样本特征;
S4、将样本特征作为深度森林分类模型的输入,对深度森林分类模型进行训练;
S5、当深度森林分类模型训练完后,利用训练后的模型对实际需要处理的高光谱图像进行分类,得到高光谱图像的分类结果。
2.根据权利要求1所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:所述步骤S1中源域数据集为带标签样本的高光谱图像数据集,目标域数据集为高光谱图像数据集。
3.根据权利要求1所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:所述步骤S2中深度学习模型ResNet-CNN有两个神经网络分支,分别用于提取空间特征和光谱特征,光谱分支选取第n个像素的全部有效光谱波段作为输入,经过卷积运算和最大池化,得到光谱分支的输出作为光谱特征。
4.根据权利要求3所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:所述步骤S2中通过主成分分析法(PCA)对高光谱图像进行降维,空间分支选取第n个像素和其21*21空间邻域的前三个波段作为输入,在这个分支经过ResNet50模型之后的输出作为提取的空间特征,为了利用光谱相关性和空间相关性并获得联合光谱-空间特征,同时将光谱特征和空间特征输入到后面的全连接层,经过几个全连接层后,最后一个全连接层的输出是最终的联合光谱-空间特征,接下来是一个softmax回归层来预测每个类的概率分布。
5.根据权利要求1所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:所述步骤S4中的深度森林由两部分所组成:多粒度扫描结构和级联森林结构。
6.根据权利要求5所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:深度森林通过滑动窗口扫描原始数据,生成一组多尺寸特征向量,通过级联森林结构从前一层输入的数据和输出结果数据做合并作为下一层的输入。
7.根据权利要求6所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:向量与输入到级联的下一层的原始特征向量相拼接,作为下一层的输入,即可完成一次特征变化,并保留了原始特征继续后续处理,每一层都这样,其重要思想之一是根据每个输入实例生成对应类分布。
8.根据权利要求7所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:深度森林的输入是每个像素点的一维变量,采用K折交叉验证法(K-fold)确定森林层数,每个样本数据作为k-1次的训练数据,生成k-1个类向量,并根据训练目标域数据集中带标记的高光谱图像得到验证集,在扩展到一个新层数后,整个结构的性能将在验证集上评估,若没有显著的性能,则终止程序,并确定深度森林的层数,深度森林的训练过程中,每层样本数据都由两种森林组成:完全随机森林和随机森林,完全随机森林在完整的特征空间中随机选择特征作为决策树的分裂节点,然后不断生长,当决策树中的所有叶节点都无法分裂时,则终止训练,随机森林随机选取(d为输入特征维度)个候选特征,然后使用基尼系数筛选分类结点。
10.根据权利要求9所述的一种基于深度森林迁移学习的高光谱遥感图像识别方法,其特征在于:当深度森林分类模型训练完成后,利用训练出的深度森林分类模型对实际需要处理的高光谱遥感图像进行分类,得到高光谱遥感图像的分类结果,其中取深度森林分类模型中最后一层所有森林输出类概率的平均值中的最大值,作为深度森林分类模型输出的分类结果所对应的类别:Fin(c)=Maxy{Ave.m[c11,c12,...,c1y,c21,c22,...,c2y,...cm1,cm2,...,cmy]}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220359.4A CN114821149A (zh) | 2022-03-08 | 2022-03-08 | 一种基于深度森林迁移学习的高光谱遥感图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220359.4A CN114821149A (zh) | 2022-03-08 | 2022-03-08 | 一种基于深度森林迁移学习的高光谱遥感图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114821149A true CN114821149A (zh) | 2022-07-29 |
Family
ID=82528430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220359.4A Pending CN114821149A (zh) | 2022-03-08 | 2022-03-08 | 一种基于深度森林迁移学习的高光谱遥感图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821149A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524339A (zh) * | 2023-07-05 | 2023-08-01 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN116679981A (zh) * | 2023-08-03 | 2023-09-01 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
-
2022
- 2022-03-08 CN CN202210220359.4A patent/CN114821149A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524339A (zh) * | 2023-07-05 | 2023-08-01 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN116524339B (zh) * | 2023-07-05 | 2023-10-13 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN116679981A (zh) * | 2023-08-03 | 2023-09-01 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
CN116679981B (zh) * | 2023-08-03 | 2023-11-24 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805083B (zh) | 单阶段的视频行为检测方法 | |
CN113705526B (zh) | 一种高光谱遥感影像分类方法 | |
CN109978041B (zh) | 一种基于交替更新卷积神经网络的高光谱图像分类方法 | |
CN114821149A (zh) | 一种基于深度森林迁移学习的高光谱遥感图像识别方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
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 | |
CN113326731A (zh) | 一种基于动量网络指导的跨域行人重识别算法 | |
CN113920472B (zh) | 一种基于注意力机制的无监督目标重识别方法及系统 | |
Tang et al. | A fast inference networks for SAR target few-shot learning based on improved siamese networks | |
Chen et al. | Hyperspectral remote sensing image classification based on dense residual three-dimensional convolutional neural network | |
CN110598848A (zh) | 一种基于通道剪枝的迁移学习加速方法 | |
CN114723994A (zh) | 一种基于双分类器对抗增强网络的高光谱图像分类方法 | |
Han et al. | L-Net: lightweight and fast object detector-based ShuffleNetV2 | |
Ling et al. | Semi-supervised learning via convolutional neural network for hyperspectral image classification | |
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 | |
CN116246102A (zh) | 一种基于自编码器与决策树的图像分类方法与系统 | |
Feng et al. | Hyperspectral band selection based on ternary weight convolutional neural network | |
CN117407772A (zh) | 监督对比学习网络模型训练多元时序数据分类方法及系统 | |
CN109190505A (zh) | 基于视觉理解的图像识别方法 | |
Kang et al. | Randomized learning-based classification of sound quality using spectrogram image and time-series data: A practical perspective | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN114298290A (zh) | 一种基于自监督学习的神经网络编码方法及编码器 | |
Visentini et al. | Cascaded online boosting | |
CN109165586A (zh) | 用于ai芯片的智能图像处理方法 | |
CN109165587A (zh) | 智能图像信息抽取方法 |
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 |