CN115909052A - 一种基于混合卷积神经网络的高光谱遥感图像分类方法 - Google Patents
一种基于混合卷积神经网络的高光谱遥感图像分类方法 Download PDFInfo
- Publication number
- CN115909052A CN115909052A CN202211326935.XA CN202211326935A CN115909052A CN 115909052 A CN115909052 A CN 115909052A CN 202211326935 A CN202211326935 A CN 202211326935A CN 115909052 A CN115909052 A CN 115909052A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolution
- spatial
- remote sensing
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种混合卷积神经网络的高光谱遥感图像分类方法。本发明包括：1、将3维和2维卷积神经网络进行串联，加入并行卷积块和非局部注意力模块，构建自定义的神经网络；2、将有标注的高光谱图像划分为若干有重叠的小数据立方体作为模型的输入；3、将样本按一定的比例划分为训练集和测试集；4、分批次将训练集样本输入神经网络进行训练，直到模型稳定；5、使用训练好的模型对高光谱图像进行分类，通过预先划分好的测试集评估模型的分类效果，并最终得到分类结果图。本发明充分利用高光谱遥感图像丰富的光谱信息和空间信息。同时在进行注意力操作的过程中使用1×1卷积压缩特征图通道维度，降低模型的计算量，提高模型的训练速度。
Description
技术领域
本发明涉及图形处理领域，具体为一种基于混合卷积神经网络的高光谱遥感图像分类方法。
背景技术
高光谱遥感图像波段宽度通常约为数十纳米，比多光谱图像的带宽窄得多。因此，高光谱遥感图像具有更丰富的光谱信息，并广泛应用于各个领域。高光谱遥感影像在具有丰富光谱信息的分类任务中具有天然优势。因此，高光谱遥感广泛应用于精准农业、岩石和矿物识别、环境监测，海洋遥感等领域。
对于高光谱遥感影像的分类任务，传统方法包括基于光谱特征的分类方法和基于数据统计特征的分类方法，但其无法充分利用高光谱遥感图像的空间信息和丰富的光谱信息，往往分类准确率不高。近年来，一些深度学习模型被引入到高光谱遥感影像分类领域，尤其是卷积神经网络。卷积神经网络利用卷积层提取输入数据的特征，利用池化层对从卷积层提取的特征图进行下采样，扩展卷积核的感受域，压缩数据。通过卷积层和池化层的叠加，卷积神经网络不仅可以提取图像中的浅层纹理特征，还可以提取深层语义特征。
但是，由于高光谱图像中光谱信息的高冗余性，导致使用卷积神经网络对其进行分类往往需要较深的网络结构。同时，由于同一层的卷积核使用相同的尺寸，容易出现特征信息提取不足的问题，同样会导致分类准确率不高。
发明内容
本发明针对目前高光谱遥感图像分类存在的问题，提供了基于混合卷积神经网络的高光谱遥感图像分类方法。本方法构建了一种基于并行卷积块和非局部注意力机制的混合卷积神经网络高光谱图像分类模型，包括多尺度特征提取及融合模块、空间-光谱注意力模块、空间注意力模块和分类模块。
多尺度特征提取及融合模块采用并行卷积块结构，且该模块中不同分路的卷积层使用不同尺寸的卷积核，每个卷积层后添加批量归一化层和激活层，卷积操作设置填充保持特征图大小一致，对不同分路获得的特征图Ⅰ进行融合，得到融合多尺度特征的特征图Ⅱ。
空间-光谱注意力模块使用非局部注意力机制对特征图Ⅲ进行注意力操作，通过卷积核尺寸为1的卷积层实现数据的降维，抑制特征图Ⅲ中的无关信息，使得有效信息更加突出。非局部注意力机制在计算特征图中每个像素位置输出时，不再只对邻域像素进行计算而是对特征图中所有位置像素进行计算得到相关性，然后将相关性作为一个权重表征其他位置像素和当前待计算像素的相似度。由于高光谱图像同时具有空间维度和光谱维度，因此可以在空间维度和光谱维度同时进行非局部操作，通过计算特征图中像素间的相关性，获得更加全面的特征图Ⅳ。
所述的特征图Ⅲ是通过3维卷积层得到的，用于输入到空间-光谱注意力模块中。
进一步地，在空间-光谱注意力模块后串接了两层卷积层+激活层用于进一步提取空间-光谱特征图。
进一步地，通过使用一层在光谱维度大小等同于空间-光谱特征图数量的3维卷积层，将其深度归一，然后去除深度维度后的特征图Ⅴ与多尺度特征提取模块提取到的特征图Ⅱ聚合作为空间注意力模块的输入。
空间注意力模块和空间-光谱注意力模块类似，空间注意力模块同样使用非局部注意力机制对特征图进行注意力操作，使用2维卷积核，只在空间维度进行非局部操作，计算不同空间位置像素的相关性。
进一步地，在空间注意力模块后添加两层二维卷积层+批量归一化层和激活层，用于进一步提取空间特征图。
进一步地，分类模块包括全局平均池化层、一个全连接层及softmax分类函数。全局平均池化层将模型提取到的空间特征图进行聚合，压缩数据量，然后作为全连接层的输入，最后利用softmax函数进行分类。
本发明提出的高光谱图像分类的方法步骤包括：
(1)模型构建：使用3维卷积神经网络，2维卷积神经网络，并行卷积块以及非局部注意力机制搭建神经网络；
(2)样本提取：从原始高光谱遥感图像中提取待分类像元以及以其为中心的一定数量的邻域像元作为训练样本，作为网络的输入；
(3)数据划分：将训练样本按一定比例划分为训练集和测试集；
(4)模型训练：使用训练集训练模型得到适合高光谱遥感图像分类的参数；
(5)分类：使用训练好的网络对高光谱遥感图像进行分类，得到分类结果。
本发明有益效果如下：
本发明提供了一种基于混合卷积神经网络的高光谱遥感图像分类方法。多尺度特征提取及融合模块采用不同大小的卷积核和最大池化层对输入的特征图进行卷积、池化操作，提取不同尺度的空间特征，然后将其融合成为具有不同尺度空间特征的特征图，所得特征图在各尺度的特征信息更加丰富、全面，有利于后续卷积操作进一步提取分类特征，进一步提高高光谱图像的分类精度。
空间-光谱注意力模块和空间注意力模块在空间维度和光谱维度增强特征图的有效信息、抑制无关信息，从而实现空间-光谱特征的联合学习，充分利用了高光谱遥感图像丰富的光谱信息和空间信息。同时在进行注意力操作的过程中使用1×1卷积压缩特征图通道维度，降低模型的计算量，提高模型的训练速度。
使用本发明提供的基于混合卷积神经网络的高光谱遥感图像分类方法对PaviaUniversity、Salinas两个公开的高光谱图像数据集进行分类，分别取得了99.92％、99.81％的总体分类精度和99.89％、99.88％的平均分类精度，有效的提高高光谱图像的分类精度，获得的分类图均匀平滑，边界更加清晰。
附图说明
为了更清楚的说明本发明使用的技术方案，下面对技术描述中所需要使用的附图作简单的介绍。
图1是本发明实施例设计的网络的流程示意图；
图2是本发明采用的多尺度特征提取及融合模块示意图；
图3是本发明采用的注意力模块的原理图；
图4是本发明高光谱遥感图像示意图。
图5是本发明高光谱遥感图像示意图。
其中，图4-a、图5-a是本发明实验所用高光谱遥感图像真彩色合成图。
图4-b、图5-b是本发明实验所用高光谱遥感图像地物真值图。
图4-c、图5-c是本发明实例所提供的高光谱遥感图像分类结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述。
本发明公开了一种混合卷积神经网络的高光谱遥感图像分类方法，所述方法包括：搭建3维卷积神经网络和2维卷积神经网络串联的混合神经网络；在混合神经网络中加入并行卷积块结构提供不同尺寸的感受野进行多尺度特征的提取及融合；使用非局部注意力机制计算像素空间维度和光谱维度的相关性，获得更全面的特征图；采用全局平均池化聚合特征图的信息，结合全连接层实现像素级的高光谱遥感图像分类。综上所述，本发明结合3维卷积神经网络、2维卷积神经网络、多尺度特征提取融合模块以及空间、空间-光谱注意力模块搭建了一个神经网络用于高光谱遥感图像分类，在卷积神经网络提取特征的基础上，基于并行卷积块结构的多尺度特征提取融合模块提取特征图中的多尺度特征并进行融合，空间-光谱注意力模块和空间注意力模块计算像素间的相关性进一步得到更完整、全面的特征图，从而提高网络对高光谱遥感图像的分类精度。
本发明具体实现步骤如下：
步骤(1)将3维卷积神经网络和2维卷积神经网络进行串联，加入并行卷积块和非局部注意力模块，构建自定义的神经网络；
步骤(2)将有标注的高光谱图像划分为若干有重叠的H×W×C小数据立方体作为模型的输入；
步骤(3)将样本按一定的比例划分为训练集和测试集；
步骤(4)分批次将训练集样本输入神经网络进行训练，直到模型稳定；
步骤(5)使用训练好的模型对高光谱图像进行分类，通过预先划分好的测试集评估模型的分类效果，并最终得到分类结果图。
进一步的，所述步骤(1)具体实现过程如下：
图1是本发明设计的神经网络的结构图。本发明所设计的神经网络可以分为两个分支。一个分支中，网络的第一层是一个步长为2、卷积核大小为3×3×7、卷积核数量为24的3维卷积层，通过该3维卷积层初步聚合高光谱图像的信息，得到特征图Ⅲ，降低后续的计算量；
接着是一个空间-光谱注意力模块，计算像素在空间维度和光谱维度的相关性，得到更全面的特征图Ⅳ。公式(1)是非局部注意力机制的通用计算公式：
其中，yi代表特征图的其中一个位置i的像素对应的输出，Xi代表输入特征图中位置i的像素，Xj代表特征图中其他所有位置的像素，c(X)是归一化函数。公式(1)中的f函数用于计算像素间的相似度，采用嵌入高斯函数实现，如公式(2)：
其中，θ(Xi)＝WθXi，
Wθ和
是待学习的权重矩阵，
g函数是一个线性转化函数，如公式(3)：
g(Xj)＝WgXj (3)
其中，Wg同样是待学习的权重矩阵，
归一化函数c(X)，如公式(4)：
在空间-光谱注意力模块后是两层卷积核大小为3×3×5，数量为24的3维卷积层以及对应的批量归一化层和激活层(激活层所用激活函数为ReLU函数)，用以进一步提取空间-光谱信息，然后是一层卷积核大小为1×1×K(K为特征图的数量)、卷积核数量为24的3维卷积层及其批量归一化层、激活层，通过在光谱维度使用与空间-光谱特征图光谱维度大小的卷积核尺度将光谱维度归一，得到压缩光谱维度后的特征图Ⅴ；
另一个分支是一个多尺度特征提取融合模块，该模块使用并行卷积块结构，采用多个不同尺寸的2维卷积核提取高光谱图像的多尺度空间特征，提供了1×1、3×3以及5×5三种大小的感受野，同时使用1×1卷积以及3×3的最大池化聚合信息，最后将几种卷积核提取到的特征图Ⅰ进行聚合得到融合多尺度特征的特征图Ⅱ；
将上述两个分支得到的特征图Ⅱ和特征图Ⅴ进行聚合(concatenate操作)然后输入空间注意力模块进一步计算像素间的空间相关性；
再通过两层卷积核大小3×3、数量为24的2维卷积层+批量归一化层和激活层进一步提取空间特征，最后对得到的特征图进行全局平均池化，接入全连接层进行分类。
其中，空间-光谱注意力模块和空间注意力模块的区别在于是否有光谱维度参与计算。空间注意力模块仅计算像素在空间上的相关性，而空间-光谱注意力模块则可以同时计算像素在空间维度和光谱维度的相关性。图2是非局部注意力机制的原理图。
多尺度特征提取融合模块通过在网络的同一层使用不同大小的卷积核实现了不同的感受野，将不同尺寸卷积核得到的特征图融合得到具有多尺度特征的特征图，避免了单一尺度下特征提取不充分的问题，图3是多尺度特征提取及融合模块的示意图。
步骤(2)将有标注的高光谱图像划分为若干有重叠的H×W×C小数据立方体作为模型的输入；
进一步的，所述步骤(2)具体实现过程如下：
对高光谱遥感图像中的每一个像元进行邻域提取，以待分类像素为中心提取11×11的范围作为中心像元的样本，该样本的分类类别采用中心像元对应的真实类别。对于处于高光谱遥感影像边界区域的像元会出现邻域像元不够的情况，采用对高光谱图像上下左右填充5行5列0值的方式解决这一问题。
步骤(3)将样本按一定的比例划分为训练集和测试集；
进一步的，所述步骤(3)具体实现过程如下：
将样本数据按照1：9的比例划分为训练集和测试集，具体实施时可以结合模型训练效果调整划分比例。训练集用作模型训练，测试集用作检验模型的训练效果。
步骤(4)分批次将训练集样本输入神经网络进行训练，直到模型稳定；
进一步的，所述步骤(4)具体实现过程如下：
采用小批次训练法，批次大小设置为32，即每次从训练集中取32个样本送入模型进行训练，训练集所有样本都被送入模型训练一次称为一轮训练，总共进行100轮训练。采用SGD优化器进行优化，学习率设置为0.001，权重衰减为0.0005，动量为0.9。训练网络直到损失接近0或趋于稳定。
步骤(5)使用训练好的模型对高光谱图像进行分类，通过预先划分好的测试集评估模型的分类效果，并最终得到分类结果图。
进一步地，为了说明本发明的高光谱遥感图像分类方法的有效性，使用本发明对Pavia University、Salinas两个公开的高光谱图像数据集进行分类，两个数据集的情况如表1所示，不同数据集的总体精度(OA)，平均精度(AA)以及卡帕系数(Kappa)如表2所示，可知本发明在使用10％数据作为训练样本的情况下，在Pavia University和Salinas两个公开数据集上分别实现了99.92％和99.81％的总体分类精度。同时，两个数据集的分类结果图分别如图4、图5所示，在两个数据集上几乎全部的像素分类正确，仅有极少的像素被错分到其他类别，而且本发明不仅分类精度高，而且得到的分类结果图均匀平滑，边界清晰。
表1：实验数据集详情
表2：不同数据集分类精度
| Pavia University | Salinas | |
| 总体精度(％) | 99.92 | 99.81 |
| 平均精度(％) | 99.89 | 99.88 |
| 卡帕系数 | 0.99 | 0.99 |
综上所述，本发明结合3维卷积神经网络、2维卷积神经网络、多尺度特征提取融合模块以及空间、空间-光谱注意力模块搭建了一个神经网络用于高光谱遥感图像分类，在卷积神经网络提取特征的基础上，基于并行卷积块结构的多尺度特征提取融合模块提取特征图中的多尺度特征并进行融合，空间-光谱注意力模块和空间注意力模块计算像素间的相关性进一步得到更完整、全面的特征图，从而提高网络对高光谱遥感图像的分类精度。
当然，本发明的上述实例仅用于说明本发明的实施过程，并非是对本发明的实施方式的限定。对于所属领域的普通技术人员可根据本发明做出相应的改变和变形，但这些改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于混合卷积神经网络的高光谱遥感图像分类模型，其特征在于包括多尺度特征提取及融合模块、空间-光谱注意力模块、空间注意力模块和分类模块；
多尺度特征提取及融合模块包括采用并行卷积块结构，且该模块中不同分路的卷积层使用不同尺寸的卷积核，每个卷积层后添加批量归一化层和激活层，卷积操作设置填充保持特征图大小一致，对不同分路获得的特征图Ⅰ进行融合，得到融合多尺度特征的特征图Ⅱ；
空间-光谱注意力模块使用非局部注意力机制对特征图Ⅲ进行注意力操作，通过卷积核尺寸为1的卷积层实现数据的降维，抑制特征图Ⅲ中的无关信息；非局部注意力机制在计算特征图中每个像素位置输出时，不再只对邻域像素进行计算而是对特征图中所有位置像素进行计算得到相关性，然后将相关性作为一个权重表征其他位置像素和当前待计算像素的相似度；由于高光谱图像同时具有空间维度和光谱维度，因此在空间维度和光谱维度同时进行非局部操作，通过计算特征图中像素间的相关性，获得更加全面的特征图Ⅳ；
空间注意力模块同样使用非局部注意力机制对特征图进行注意力操作，使用2维卷积核，只在空间维度进行非局部操作，计算不同空间位置像素的相关性；
分类模块包括全局平均池化层、一个全连接层及softmax分类函数；全局平均池化层将模型提取到的空间特征图进行聚合，压缩数据量，然后作为全连接层的输入，最后利用softmax函数进行分类。
2.根据权利要求1所述的基于混合卷积神经网络的高光谱遥感图像分类模型，其特征在于所述的特征图Ⅲ是通过3维卷积层得到的，用于输入到空间-光谱注意力模块中；所述的空间-光谱注意力模块后串接两层卷积层+批量归一化层和激活层，用于进一步提取空间-光谱特征图；所述的空间注意力模块后添加两层二维卷积层+批量归一化层和激活层，用于进一步提取空间特征图。
3.根据权利要求1或2所述的基于混合卷积神经网络的高光谱遥感图像分类模型，其特征在于通过使用一层在光谱维度大小等同于空间-光谱特征图数量的3维卷积层，将其深度归一，然后去除深度维度后的特征图Ⅴ与多尺度特征提取模块提取到的特征图Ⅱ聚合作为空间注意力模块的输入。
4.一种基于混合卷积神经网络的高光谱遥感图像分类方法，其特征在于包括如下步骤：
步骤(1)将3维卷积神经网络和2维卷积神经网络进行串联，加入并行卷积块和非局部注意力模块，构建自定义的神经网络；
步骤(2)将有标注的高光谱图像划分为若干有重叠的H×W×C小数据立方体作为模型的输入；
步骤(3)将样本按一定的比例划分为训练集和测试集；
步骤(4)分批次将训练集样本输入神经网络进行训练，直到模型稳定；
步骤(5)使用训练好的模型对高光谱图像进行分类，通过预先划分好的测试集评估模型的分类效果，并最终得到分类结果图。
5.根据权利要求4所述的一种基于混合卷积神经网络的高光谱遥感图像分类方法，其特征在于步骤(1)中的神经网络分为两个分支，其中一个分支如下：
一个分支中神经网络的第一层是一个步长为2、卷积核大小为3×3×7、卷积核数量为24的3维卷积层，通过该3维卷积层初步聚合高光谱图像的信息，得到特征图Ⅲ，降低后续的计算量；
接着是一个空间-光谱注意力模块，计算像素在空间维度和光谱维度的相关性，得到更全面的特征图Ⅳ；公式(1)是非局部注意力机制的通用计算公式：
其中，yi代表特征图的其中一个位置i的像素对应的输出，Xi代表输入特征图中位置i的像素，Xj代表特征图中其他所有位置的像素，c(X)是归一化函数；公式(1)中的f函数用于计算像素间的相似度，采用嵌入高斯函数实现，如公式(2)：
其中，θ(Xi)＝wθXi，
Wθ和
是待学习的权重矩阵，
g函数是一个线性转化函数，如公式(3)：
g(Xj)＝WgXj (3)
其中，Wg同样是待学习的权重矩阵，
归一化函数c(X)，如公式(4)：
在空间-光谱注意力模块后是两层卷积核大小为3×3×5，数量为24的3维卷积层以及对应的批量归一化层和激活层，用以提取空间-光谱信息；然后是一层卷积核大小为1×1×K、卷积核数量为24的3维卷积层及其批量归一化层、激活层，通过在光谱维度使用与空间-光谱特征图光谱维度大小的卷积核尺度将光谱维度归一，得到压缩光谱维度后的特征图Ⅴ。
6.根据权利要求5所述的一种基于混合卷积神经网络的高光谱遥感图像分类方法，其特征在于另一个分支如下：
另一个分支是一个多尺度特征提取融合模块，该模块使用并行卷积块结构，采用多个不同尺寸的2维卷积核提取高光谱图像的多尺度空间特征，提供了1×1、3×3以及5×5三种大小的感受野，同时使用1×1卷积以及3×3的最大池化聚合信息，最后将几种卷积核提取到的特征图Ⅰ进行聚合得到融合多尺度特征的特征图Ⅱ。
7.根据权利要求6所述的一种基于混合卷积神经网络的高光谱遥感图像分类方法，其特征在于步骤(1)中的神经网络两个分支得到的特征图Ⅱ和特征图Ⅴ进行聚合然后输入空间注意力模块计算像素间的空间相关性；
再通过两层卷积核大小3×3、数量为24的2维卷积层+批量归一化层和激活层进一步提取空间特征，最后对得到的特征图进行全局平均池化，接入全连接层进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211326935.XA CN115909052A (zh) | 2022-10-26 | 2022-10-26 | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211326935.XA CN115909052A (zh) | 2022-10-26 | 2022-10-26 | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909052A true CN115909052A (zh) | 2023-04-04 |
Family
ID=86476976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211326935.XA Pending CN115909052A (zh) | 2022-10-26 | 2022-10-26 | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909052A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116486183A (zh) * | 2023-06-21 | 2023-07-25 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
| CN116630700A (zh) * | 2023-05-22 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于引入通道-空间注意力机制的遥感图像分类方法 |
| CN116704241A (zh) * | 2023-05-22 | 2023-09-05 | 齐鲁工业大学(山东省科学院) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 |
| CN117218537A (zh) * | 2023-09-13 | 2023-12-12 | 安徽大学 | 基于Transformer和非局部神经网络双分支架构的高光谱图像分类方法 |
| CN117372789A (zh) * | 2023-12-07 | 2024-01-09 | 北京观微科技有限公司 | 图像分类方法及图像分类装置 |
-
2022
- 2022-10-26 CN CN202211326935.XA patent/CN115909052A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116630700A (zh) * | 2023-05-22 | 2023-08-22 | 齐鲁工业大学(山东省科学院) | 基于引入通道-空间注意力机制的遥感图像分类方法 |
| CN116704241A (zh) * | 2023-05-22 | 2023-09-05 | 齐鲁工业大学(山东省科学院) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 |
| CN116486183A (zh) * | 2023-06-21 | 2023-07-25 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
| CN116486183B (zh) * | 2023-06-21 | 2023-09-26 | 耕宇牧星(北京)空间科技有限公司 | 基于多种注意力权重融合特征的sar图像建筑区分类方法 |
| CN117218537A (zh) * | 2023-09-13 | 2023-12-12 | 安徽大学 | 基于Transformer和非局部神经网络双分支架构的高光谱图像分类方法 |
| CN117218537B (zh) * | 2023-09-13 | 2024-02-13 | 安徽大学 | 基于Transformer和非局部神经网络双分支架构的高光谱图像分类方法 |
| CN117372789A (zh) * | 2023-12-07 | 2024-01-09 | 北京观微科技有限公司 | 图像分类方法及图像分类装置 |
| CN117372789B (zh) * | 2023-12-07 | 2024-03-08 | 北京观微科技有限公司 | 图像分类方法及图像分类装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115909052A (zh) | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 | |
| WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
| CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
| CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
| CN109785344A (zh) | 基于特征重标定的双通路残差网络的遥感图像分割方法 | |
| CN103020265B (zh) | 图像检索的方法和系统 | |
| CN109344698A (zh) | 基于可分离卷积和硬阈值函数的高光谱波段选择方法 | |
| Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
| 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 | |
| CN113034506B (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
| CN113610905B (zh) | 基于子图像匹配的深度学习遥感图像配准方法及应用 | |
| CN114943893B (zh) | 一种土地覆盖分类的特征增强方法 | |
| CN104751111A (zh) | 识别视频中人体行为的方法和系统 | |
| CN109635726A (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN113705641A (zh) | 基于富上下文网络的高光谱图像分类方法 | |
| CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
| CN113642445A (zh) | 一种基于全卷积神经网络的高光谱影像分类方法 | |
| CN115331104A (zh) | 一种基于卷积神经网络的农作物种植信息提取方法 | |
| CN111626380A (zh) | 一种基于超像素和卷积网络的极化sar图像分类方法 | |
| CN109543546B (zh) | 基于深度序分布回归的步态年龄估计方法 | |
| Huan et al. | MAENet: multiple attention encoder–decoder network for farmland segmentation of remote sensing images | |
| CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
| CN113449603A (zh) | 一种高分辨率遥感影像地表要素识别方法及存储介质 |
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 |