CN116704241A - 一种全通道3d卷积神经网络高光谱遥感图像分类方法 - Google Patents
一种全通道3d卷积神经网络高光谱遥感图像分类方法 Download PDFInfo
- Publication number
- CN116704241A CN116704241A CN202310577303.9A CN202310577303A CN116704241A CN 116704241 A CN116704241 A CN 116704241A CN 202310577303 A CN202310577303 A CN 202310577303A CN 116704241 A CN116704241 A CN 116704241A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- pixel
- convolution
- full
- hyperspectral
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract 2
- 238000011176 pooling Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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 Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及高光谱遥感图像分类领域,尤其涉及全通道3D卷积神经网络高光谱遥感图像分类方法,包括如下步骤:S1、获得高光谱遥感图像,将高光谱遥感图像数据划分为两个不同尺度模块,得到高光谱像素模块的特征信息;S2、对输入的像素模块在尺度大小和数目上定量分析;S3、对像素模块输入到多通道卷积神经网络MC‑CNN进行深层特征提取,得到特征图谱;S4、将进行特征提取后的特征图谱输入到全连接层FC,整合卷积层提取到的抽象特征,在输出层使用Softmax函数将输入向量元素映射到(0,1)区间,最后输出分类结果图。本方案采用多尺度像素模块和多通道卷积神经网络,更适应特征提取的尺寸大小,使得分类更加准确。
Description
技术领域
本发明涉及高光谱遥感图像分类领域,尤其是一种全通道3D卷积神经网络高光谱遥感图像分类方法。
背景技术
高光谱遥感图像的发展对现代遥感领域具有重要的里程碑的意义,它包含了数百个连续的光谱带的丰富特征信息,分辨率很高,甚至可以达到纳米级别。连续的光谱值可以区分许多不同的地物,同时识别出各种各样的材料提供有价值的信息。高光谱图像通过搭载不同的空间平台传感器可以同时获取空谱信息,与普通的遥感图像相比,它更具有更加丰富的空间信息和光谱信息。高光谱图像广泛应用到各个领域中,例如精准农业、环境监测、草原研究、军事监视等许多应用。高光谱图像处理中,地物分类是其重要的研究方向之一。丰富的地物信息在进行地物分类时更具有领先优势。
高光谱图像中最丰富就是光谱信息,假设每一个像素都只包含单一的地物,没有任何其他地物混合,处理每一个像素的光谱向量进行分类。因此早期对于高光谱图像的分类研究中,主要采用的最简单的光谱特征的分类器模型有K最邻近(K-NN)、支持向量机(SVM)等。Ren等提出一种基于SVM的嵌套滑动方法,以目标像素为中心构造的邻域窗口包含与目标像素在空间上相邻的相关像素,确定最优子窗口位置,从而能够从高光谱图像中提取空间信息,重构原始数据。虽然传统方法提取已经成熟,对高维数据的敏感性较低,只能单一、浅层的光谱特征或者空间特征,无法进一步提升高光谱图像分类精度问题。
基于联合空间-光谱特征的分类方法不仅利用了光谱特征,同时也对空间特征充分利用。近年来,随着深度学习(DL)的发展,许多基于DL的分类方法被应用于HSI,分类性能得到大幅提高。有许多基于深度学习的HSI分类方法,包括堆叠自动编码器(SAE)、深度置信网络(DBN)、卷积神经网络(CNN)、递归神经网络(RNN)、残差网络和生成对抗网络(GAN)。目前常用的一种改进的SAE算法,通过使用互信息(MI)来执行分割光谱,与SAE的特征提取相比,建立一个基于互信息(MI)分段堆叠自动编码器(S-SAE),此类分割方法降低了复杂性和计算时间。SAE的主要问题在于空间有限元阶段,在该阶段,图像块被平坦化为向量,从而导致空间信息的丢失。为了缓解这一问题,将基于CNN的方法引入了HSI分类任务。卷积神经网络是深度学习方法中常用的一种网络,在高光谱遥感图像分类中有较好分类效果,为了获取更深层次、更丰富的空间光谱信息,会增加网络模型的深度复杂度,但计算机的处理时间也会随之增加。
传统方法分类方法对高维数据敏感性较低,深度学习方法可以针对于高光谱图像进行分类,由于网络结构简单提取特征有限,因而分类精度有待提高。
发明内容
针对上述问题,没有充分的考虑空间特性和光谱特性,故本发明提供了一种新颖的全通道3D卷积神经网络高光谱遥感图像分类方法,以更深层次特征提取,更有效地解决分类精度低的少数类别。
本发明提供如下技术方案:1、一种全通道3D卷积神经网络高光谱遥感图像分类方法,包括如下步骤:
S1、获得高光谱遥感图像,对高光谱遥感图像数据预处理,预处理时,将高光谱遥感图像数据R1划分为两个不同尺度模块,分别是X1×X1像素模块R2和X2×X2像素模块R3,得到高光谱像素模块的特征信息;
S2、为了获取最贴切的像素模块,得到更好的网络结构,对输入的像素模块Xi×Xi在尺度大小和数目上定量分析;
S3、对高光谱X1×X1像素模块R2和X2×X2像素模块R3输入到多通道卷积神经网络MC-CNN进行深层特征提取,在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱关键信息和空间关键信息提取,得到特征图谱R4;
S4、将进行特征提取后的特征图谱R4输入到全连接层FC,主要是整合卷积层提取到的抽象特征,整合卷积层提取到的抽象特征,在输出层使用Softmax函数将输入向量元素映射到(0,1)区间,最后输出不同类别的概率并得到输出分类结果图R5。
所述步骤S1包括:S101:原始的高光谱遥感图像是三维数据,包含丰富的空间信息和丰富的光谱信息;S102:原始的高光谱遥感图像数据R1以单个像元为中心,按照多尺度设定模块大小值Xi×Xi来获取相邻像素模块;S103:对获取不同尺度的像素模块分别输入到不同大小的通道中,输入大小为1×X1×X1×B和1×X2×X2×B,其中B表示高光谱图像的波段数;S104:对预处理的像素模块进行数据集划分,划分为训练样本集和测试样本集。
所述步骤S2中,不同尺度的像素模块大小会影响分类的精度,尺度不断增加,参数量也会相应变多;定量分析采用前两通道是3×3像素模块,后两通道是5×5像素模块的方式。
所述步骤S3包括:S301:在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱信息和空间信息提取,得到特征图谱R4;S302:在MC-CNN中,依次通过三个卷积层、一个池化层(AvgPooL)、一个卷积层、一个池化层、一个卷积层、一个池化层、一个卷积模型、全连接层,最后通过Softmax函数得出分类结果;S303:卷积层包含若干个卷积核组成,主要是用来特征提取,也是卷积神经网络中最重要的组成部分。设输入的图像为X,卷积层的输出Q为公式(1)
其中,w表示权重,b表示偏置;
S304:在利用卷积神经网络对高光谱遥感像素模块R2和R3进行卷积操作的过程中,不同层卷积层使用了n个卷积核个数,对于不同尺度的X1×X1像素模块和X2×X2像素模块分别采用不同的卷积核大小;
S305:池化层可以缩小卷积运算后的特征空间的尺寸,从而减少网络参数,加快计算深度,减少参数到全连接层的数量,防止过拟合现象,池化操作包含最大池化层和平均池化层;
S306:在网络中使用交叉熵损失函数,表达式如公式(3)
其中,M是类别的数量,yic是指符号函数,取值为0或1,如果样本i的真实类别等于c取1,否则取0,Pic是观测样本i属于类别c的预测概率。
步骤S4中,将进行特征提取后的特征图谱R4输入到全连接层FC,全连接层使用Softmax函数输出不同类别的概率,其中Softmax函数可以使全连接层输出的特征图归一化处理再输入到输出层,即公式(3)
其中,Yi表示向量Y的第i个元素,i是正整数,Yi也是高光谱像元经过全连接层后的输出,Pi表示所属地物类别的输出概率。
通过上述描述可以看出,本方案的全通道3D卷积神经网络高光谱遥感图像分类方法,采用多尺度像素模块,更适应特征提取的尺寸大小,有利于网络运算速度,采用多通道卷积神经网络结构,多通道结构更加充分、有效地提取深层次的空间域特征和光谱域特征,忽略无用信息,提高了效率,使得分类精度有所提高,分类更加准确。
附图说明
图1为本发明具体实施方式的流程图。
图2为多尺度像素模块平均精度示意图。
图3为像素模块卷积神经网络高光谱遥感图像分类网络图。
图4为高光谱遥感图像分类结果对比示意图。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整地描述,显然,所描述的具体实施方式仅仅是本发明一种具体实施方式,而不是全部的具体实施方式。基于本发明中的具体实施方式,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具体实施方式,都属于本发明保护的范围。
通过附图可以看出,本发明的全通道3D卷积神经网络高光谱遥感图像分类方法,包括如下步骤:
S1、获得高光谱遥感图像,对高光谱遥感图像数据预处理,预处理时,将高光谱遥感图像数据R1划分为两个不同尺度模块,分别是X1×X1像素模块R2和X2×X2像素模块R3,得到高光谱像素模块的特征信息;
步骤S1包括:S101:原始的高光谱遥感图像是三维数据,包含丰富的空间信息和丰富的光谱信息;S102:原始的高光谱遥感图像数据R1以单个像元为中心,按照多尺度设定模块大小值Xi×Xi来获取相邻像素模块;S103:对获取不同尺度的像素模块分别输入到不同大小的通道中,输入大小为1×X1×X1×b和1×X2×X2×B,其中B表示高光谱图像的波段数;S104:对预处理的像素模块进行数据集划分,划分为训练样本集和测试样本集。
S2、为了获取最贴切的像素模块,得到更好的网络结构,对输入的像素模块Xi×Xi在尺度大小和数目上定量分析;
所述S2中,具体分离步骤为:
S201:不同尺度的像素模块大小会影响分类的精度,尺度不断增加,参数量也会相应变多;
S202:选用五种方式进行对比实验,第一种采用全为1×1像素模块;第二种采用前两通道是1×1像素模块,后两通道是3×3像素模块;第三种采用全为3×3像素模块;第四种采用前两通道是3×3像素模块,后两通道是5×5像素模块;第五种采用全为5×5像素模块;
S203:为了实验选择最优尺度大小的像素模块,如图2所示,1+1表示全为1×1的像素模块,1+3表示前两通道是1×1像素模块,后两通道是3×3像素模块,以此类推。
S204:通过对比,3+5方式到5+5方式的分类精度仅相差0.05%左右,考虑到运行时间和实验设备性能考虑,因此在高光谱图像分类实验中采用方式4(前两通道是3×3像素模块,后两通道是5×5像素模块)。
S3、对高光谱X1×X1像素模块R2和X2×X2像素模块R3输入到多通道卷积神经网络MC-CNN进行深层特征提取,在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱关键信息和空间关键信息提取,得到特征图谱R4;
步骤S3包括:S301:在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱信息和空间信息提取,得到特征图谱R4;S302:在MC-CNN中,以3×3像素模块为例如图3所示,依次通过三个卷积层、一个池化层(AvgPooL)、一个卷积层、一个池化层、一个卷积层、一个池化层、一个卷积模型、全连接层,最后通过Softmax函数得出分类结果;S303:卷积层包含若干个卷积核组成,主要是用来特征提取,也是卷积神经网络中最重要的组成部分。设输入的图像为X,卷积层的输出Q为公式(1)
其中,w表示权重,b表示偏置;
S304:在利用卷积神经网络对高光谱遥感像素模块R2和R3进行卷积操作的过程中,不同层卷积层使用了n个卷积核个数,对于不同尺度的X1×X1像素模块和X2×X2像素模块分别采用不同的卷积核大小;
S305:池化层可以缩小卷积运算后的特征空间的尺寸,从而减少网络参数,加快计算深度,减少参数到全连接层的数量,防止过拟合现象,池化操作包含最大池化层和平均池化层;
S306:在网络中使用交叉熵损失函数,表达式如公式(3)
其中,M是类别的数量,yic是指符号函数,取值为0或1,如果样本i的真实类别等于c取1,否则取0,Pic是观测样本i属于类别c的预测概率。
S4、将进行特征提取后的特征图谱R4输入到全连接层FC,主要是整合卷积层提取到的抽象特征,整合卷积层提取到的抽象特征,在输出层使用Softmax函数将输入向量元素映射到(0,1)区间,最后输出不同类别的概率并得到输出分类结果图R5。
4.1高光谱图像也有对分类结果进行对比评价的技术指标,它是通过计算公式准确得分类精度,常见的评价指标有:总体分类精度(OA)、平均分类精度(AA)、Kappa系数;
4.2为了验证步骤2所述的模型方法,在Pavia Center数据集上进行试验,表一是本发明在Pavia Center数据集上与传统方法SVM、基于深度学习的3D-CNN和双通道3D-CNN模型分类结果对比结果。具体如下:
4.3本发明分类结果图与传统方法SVM、基于深度学习的3D-CNN和双通道3D-CNN模型对比,对比结果图如图4所示,(a)三通道的RGB图像,(b)真实地物标签,(c)SVM分类结果图,(d)3D-CNN分类结果图,(e)双通道3D-CNN,(f)本发明的分类结果(MC-CNN)。通过对比可以看出各种算法将9种地物有所区分,但是图像结果出现了许多模糊的斑点。通过图3所示,在步骤2所述的高光谱图像分类模型是最好的,矩形框区域分类斑点逐步减少,也可看出深度学习方法优胜于传统方法,但是步骤2所述的分类方法又是深度学习方法中最优的,分类精度最高,分类效果最好,具有一定的实用性。
尽管已经示出和描述了本发明的具体实施方式,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、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 (5)
1.一种全通道3D卷积神经网络高光谱遥感图像分类方法,其特征在于包括如下步骤:
S1、获得高光谱遥感图像,对高光谱遥感图像数据预处理,预处理时,将高光谱遥感图像数据R1划分为两个不同尺度模块,分别是X1×X1像素模块R2和X2×X2像素模块R3,得到高光谱像素模块的特征信息;
S2、对输入的像素模块Xi×Xi在尺度大小和数目上定量分析;
S3、对高光谱X1×X1像素模块R2和X2×X2像素模块R3输入到多通道卷积神经网络MC-CNN进行深层特征提取,在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱关键信息和空间关键信息提取,得到特征图谱R4;
S4、将进行特征提取后的特征图谱R4输入到全连接层FC,整合卷积层提取到的抽象特征,在输出层使用Softmax函数将输入向量元素映射到(0,1)区间,最后输出不同类别的概率并得到输出分类结果图R5。
2.根据权利要求1所述的全通道3D卷积神经网络高光谱遥感图像分类方法,其特征是,所述步骤S1包括:
S101:原始的高光谱遥感图像是三维数据,包含空间信息和光谱信息;
S102:原始的高光谱遥感图像数据R1以单个像元为中心,按照多尺度设定模块大小值Xi×Xi来获取相邻像素模块;
S103:对获取不同尺度的像素模块分别输入到不同大小的通道中,输入大小为1×X1×X1×B和1×X2×X2×B,其中B表示高光谱图像的波段数;
S104:对预处理的像素模块进行数据集划分,划分为训练样本集和测试样本集。
3.根据权利要求1所述的全通道3D卷积神经网络高光谱遥感图像分类方法,其特征是,所述步骤S2中,定量分析采用前两通道是3×3像素模块,后两通道是5×5像素模块的方式。
4.根据权利要求2所述的全通道3D卷积神经网络高光谱遥感图像分类方法,其特征是,所述步骤S3包括:
S301:在网络中每个通道均使用三维卷积作为特征提取器,对空间光谱融合特征图进行光谱信息和空间信息提取,得到特征图谱R4;
S302:在MC-CNN中,依次通过三个卷积层、一个池化层、一个卷积层、一个池化层、一个卷积层、一个池化层、一个卷积模型、全连接层,最后通过Softmax函数得出分类结果;
S303:卷积层包含若干个卷积核组成,设输入的图像为X,卷积层的输出Q为公式(1)
其中,w表示权重,b表示偏置;
S304:在利用卷积神经网络对高光谱遥感像素模块R2和R3进行卷积操作的过程中,不同层卷积层使用了n个卷积核个数,对于不同尺度的X1×X1像素模块和X2×X2像素模块分别采用不同的卷积核大小;
S305:池化层可以缩小卷积运算后的特征空间的尺寸,从而减少网络参数,加快计算深度,减少参数到全连接层的数量,防止过拟合现象,池化操作包含最大池化层和平均池化层;
S306:在网络中使用交叉熵损失函数,表达式如公式(3)
其中,M是类别的数量,yic是指符号函数,取值为0或1,如果样本i的真实类别等于c取1,否则取0,Pic是观测样本i属于类别c的预测概率。
5.根据权利要求4所述的全通道3D卷积神经网络高光谱遥感图像分类方法,其特征是:
步骤S4中,将进行特征提取后的特征图谱R4输入到全连接层FC,全连接层使用Softmax函数输出不同类别的概率,其中Softmax函数可以使全连接层输出的特征图归一化处理再输入到输出层,即公式(3)
其中,Yi表示向量Y的第i个元素,i是正整数,Yi也是高光谱像元经过全连接层后的输出,Pi表示所属地物类别的输出概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577303.9A CN116704241A (zh) | 2023-05-22 | 2023-05-22 | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577303.9A CN116704241A (zh) | 2023-05-22 | 2023-05-22 | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704241A true CN116704241A (zh) | 2023-09-05 |
Family
ID=87838405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577303.9A Pending CN116704241A (zh) | 2023-05-22 | 2023-05-22 | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686089A (zh) * | 2024-02-04 | 2024-03-12 | 中国海洋大学 | 双通道积分视场快照式高光谱成像系统及图像融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN113222822A (zh) * | 2021-06-02 | 2021-08-06 | 西安电子科技大学 | 基于多尺度变换的高光谱图像超分辨率重建方法 |
CN114842264A (zh) * | 2022-05-17 | 2022-08-02 | 北京理工大学 | 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 |
CN115909052A (zh) * | 2022-10-26 | 2023-04-04 | 杭州师范大学 | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
-
2023
- 2023-05-22 CN CN202310577303.9A patent/CN116704241A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533077A (zh) * | 2019-08-01 | 2019-12-03 | 南京理工大学 | 用于高光谱图像分类的形状自适应卷积深度神经网络方法 |
CN113222822A (zh) * | 2021-06-02 | 2021-08-06 | 西安电子科技大学 | 基于多尺度变换的高光谱图像超分辨率重建方法 |
CN114842264A (zh) * | 2022-05-17 | 2022-08-02 | 北京理工大学 | 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 |
CN115909052A (zh) * | 2022-10-26 | 2023-04-04 | 杭州师范大学 | 一种基于混合卷积神经网络的高光谱遥感图像分类方法 |
Non-Patent Citations (2)
Title |
---|
CHEN, CHEN等: "Classification of Hyperspectral Data Using a Multi-Channel Convolutional Neural Network", 《LECTURE NOTES IN ARTIFICIAL INTELLIGENCE》, 18 June 2019 (2019-06-18), pages 81 - 92 * |
吴鸿昊等: "高光谱图像小样本分类的卷积神经网络方法", 《中国图象图形学报》, no. 08, 16 August 2021 (2021-08-16), pages 2009 - 2019 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686089A (zh) * | 2024-02-04 | 2024-03-12 | 中国海洋大学 | 双通道积分视场快照式高光谱成像系统及图像融合方法 |
CN117686089B (zh) * | 2024-02-04 | 2024-05-10 | 中国海洋大学 | 双通道积分视场快照式高光谱成像系统及图像融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695467B (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 | |
Feng et al. | Convolutional neural network based on bandwise-independent convolution and hard thresholding for hyperspectral band selection | |
CN111914907A (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
Liu et al. | Content-guided convolutional neural network for hyperspectral image classification | |
CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
CN112580480B (zh) | 一种高光谱遥感影像分类方法及装置 | |
Zhao et al. | Center attention network for hyperspectral image classification | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
CN114332621A (zh) | 一种基于多模型特征融合的病虫害识别方法及系统 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN116012653A (zh) | 一种注意力残差单元神经网络高光谱图像分类方法及系统 | |
CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN116704241A (zh) | 一种全通道3d卷积神经网络高光谱遥感图像分类方法 | |
CN114399674A (zh) | 一种基于高光谱图像技术的贝类毒素无损快速检测方法及系统 | |
CN115457311A (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN111008652A (zh) | 一种基于gan的高光谱遥感影像分类方法 | |
Ahmed et al. | Hyperspectral image classification based on logical analysis of data | |
CN116258914B (zh) | 基于机器学习及局部和全局特征融合的遥感图像分类方法 | |
CN116630700A (zh) | 基于引入通道-空间注意力机制的遥感图像分类方法 | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN116246171A (zh) | 一种空-谱多尺度高光谱遥感图像目标检测方法及设备 | |
CN112330622B (zh) | 一种基于地物最大区分度的高光谱图像波段选择方法 | |
CN110443207B (zh) | 一种基于分级特征张量的目标渐进式检测识别方法 |
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 |