CN116758349A - 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 - Google Patents
基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN116758349A CN116758349A CN202310715371.7A CN202310715371A CN116758349A CN 116758349 A CN116758349 A CN 116758349A CN 202310715371 A CN202310715371 A CN 202310715371A CN 116758349 A CN116758349 A CN 116758349A
- Authority
- CN
- China
- Prior art keywords
- pixel
- node
- scale
- super
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002776 aggregation Effects 0.000 claims abstract description 22
- 238000004220 aggregation Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 5
- 235000011613 Pinus brutia Nutrition 0.000 description 5
- 241000018646 Pinus brutia Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 241000522669 Parkia Species 0.000 description 2
- 235000017333 Parkia speciosa Nutrition 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 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
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，属于图像分类技术领域，该方法构建了多尺度超像素模块，利用节点聚合操作，在多个尺度上构建不同的图，不仅可以减轻大图带来的计算负担，而且可以从不同角度描述类别边缘区域，提高边缘分类的准确性；构建了端到端的图卷积残差网络模块，能够更深入地挖掘了数据的潜在特征；设计了一个minibatch方案的图卷积残差网络以进一步考虑计算成本，并且加快网络收敛。基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，根据不同尺度的超像素信息，探讨了不同区域的特征结构，增强了模型空谱特征的提取，与其他方法相比，精确度更高，性能更加稳健。
Description
技术领域
本发明属于图像分类技术领域，具体涉及一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法。
背景技术
近年来,在高光谱图像分类领域，为了更好的利用数据之间的关系图，图像卷积网络吸引了越来越多的关注。然而,大多数现有基于图卷积的方法有两个主要缺点：一方面,使用全部的像素节点构造的结构图，会导致像素级节点的差异性趋于平滑，失去潜在的空间信息；并且会消耗较高的计算成本,因为像素级节点的结构图尺寸大小是灾难级别的。另一方面,没有探索出较好的邻接关系特征来表示隐藏在高光谱图像中的空谱关系。为此，提出了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法。
发明内容
为解决上述问题，本发明提供了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，所述方法包括步骤：
(1)构建多尺度超像素模块
(1a)对原始数据集进行主成分分析生成实验数据，提取实验数据第一维度特征进行多尺度超像素分割，生成多个尺度的超像素信息，尺度越大表示分割后超像素数量越多；
(1b)将实验数据和标签数据划分为训练集和测试集；
(2)构建节点聚合模块
(2a)输入训练集，将同尺度下处于相同超像素块内的像素节点进行聚合操作，生成一个节点级特征；其他超像素块操作相同，最后生成的节点级特征数量与超像素块数量一致。其他尺度的聚合操作也相同，换言之多个尺度的超像素信息对应生成多个尺度的节点级特征；
(2b)根据节点级特征构造邻接矩阵，准备好每个尺度的节点级特征和邻接矩阵作为网络输入；
(3)构建多尺度图卷积残差网络模块
(3a)为每个尺度构造一个图卷积残差网络分支，该网络由三层GCRN组成，GCRN包含图卷积模块和残差项两部分组成，图卷积模块由BN层、GCN层、BN层和RELU层相连而成，残差项是将第一个BN层的输入与RELU层的输出在特征维度进行拼接操作；其中最大尺度不同于其他尺度，采用minibatch方法构建图卷积残差网络，采用小批量策略，每次只输入部分样本和对应的子邻接矩阵；将不同尺度的节点级特征和邻接矩阵输入到对应的网络分支中，得到网络输出特征；
(3b)对网络输出特征进行扩散操作，还原到聚合前的维度大小，生成像素级特征，再将每个尺度的像素级特征合并成一个最终用于分类的特征；
(3c)将用于分类的特征送入softmax分类模块进行分类，得到预测标签；
(4)构建以交叉熵函数为基础的损失函数计算损失值，进行网络训练，直至损失值最小，网络收敛；
(5)将测试集传入节点聚合模块，在通过图卷积残差网络模块，得到分类结果，计算分类精度；
优选地，所述主成分分析步骤为：
(1)对数据集X＝{x1,x2,...,xn}去中心化，即每维特征减去各自的平均值。
(2)计算协方差矩阵C＝(1/n-1)XTX。
(3)特征值分解方法求协方差矩阵的特征值与特征向量。
(4)按照特征值大小排列特征向量组成特征向量矩阵P。
(5)特征提取Xpca＝PX。
优选地，所述多尺度超像素分割是使用ERS超像素分割算法对数据进行分割，通过改变生成超像素的数量来生成多个尺度的超像素。
优选地，所述节点聚合模块是指，将超像素划分的同质区域内的像素点聚合成一个节点级特征，其聚合操作表达式为：
其中，Xpca是经过主成分分析后的数据。λi表示在第p个超像素区域rp中第i个像素的权重，即Xpca(rp(i))的权重，其表达式为：
其中，表示第p个超像素区域内的样本均值。
优选地，所述邻接矩阵的表达式为：
其中，vi表示第i个节点，τ是控制参数。
优选地，所述卷积残差网络模块由三层GCRN组成，GCRN的表达式为：
其中，RELU(·)和BN(·)表示激活函数和批量归一化，W(l)和b(l)表示第l层可学习的参数。R(l)表示第l层的残差项，其表达式为：
其中，d(·)表示潜在特征维度，WR (l)和bR (l)表示可学习的参数。
优选地，所述minibatch方法构建图卷积残差网络，与上述卷积残差网络模块区别在于，第一：训练方式采用minibatch的方式，每次取部分样本特征和对应部分的子图进行分批训练，直至全部样本被取出，表达式为；
其中，Hs (l)表示第l层s批的输入，A(mb)s表示第s批子图的邻接矩阵，H(l+1)表示所有批量训练完后的最终输出，N/m表示子图数量，m是批量大小。
第二：该分支邻接矩阵构造方式表达式为：
其中，UVi表示与样本特征Vi相邻的集合。
优选地，所述扩散操作是节点聚合的逆向操作，将同一超像素区域内的特征复制成对应的节点级特征，生成像素级特征。扩散操作表达式为：
Xpca(rp(i))＝Vp
优选地，所述像素级特征合并操作表达式为：
其中，M表示尺度的个数。
优选地，所述损失函数表达式为：
其中，N表示样本个数，C表示类别个数，yi,c和pi,c表示样本的标签值和预测值。M表示尺度个数，l表示网络层数。
本发明提供的一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，具有以下优势：
(1)在多尺度超像素模块下，通过节点聚合模块在多个尺度上构建不同的图，不仅可以减轻大图像带来的计算负担，而且可以从不同角度描述类别边缘区域，提高边缘分类的准确性；
(2)为了使网络模块可堆叠，解决网络退化的问题，我们引入了残差网络的思想，构建了端到端的图卷积残差网络模块，避免了目标函数的退化，能够更深入地挖掘了数据的潜在特征；
(3)根据不同尺度的超像素信息，探讨了不同区域的特征结构，在大尺度超像素划分分支中，设计了一个minibatch方案以进一步考虑计算成本，并且加快网络收敛。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法的流程图；
图2是本发明提供的一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法的结构图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明提供了一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，以印第安松树数据集为例，所述方法步骤如下：
步骤S1：获取印第安松树数据集，包含原始数据X和标签Y，图片尺寸为(145,145,200)。
步骤S2：对原始数据X进行主成分分析，不改变原有数据维度，生成实验数据Xpca。
步骤S3：提取实验数据Xpca第一维度特征进行多尺度超像素分割，设置超像素数量为(145×145)/k，设置k为100、300、500和900，生成四种尺度的超像素。
步骤S4：将实验数据和标签数据划分为训练集(695，200)和测试集(9671，200)。
步骤S5：将训练集输入节点聚合模块，生成四个尺度的节点级特征，每个尺度特征大小为(sn,200),sn为同一尺度下的超像素数量。
步骤S6：构造300、500和900尺度下特征的邻接矩阵，大小为(sn,sn)。输入三个尺度对应的特征和邻接矩阵到图卷积残差网络分支进行训练。三个尺度对应三个图卷积残差网络分支，每个由3层GCRN组成。三层GCRN网络维度分别设置为(200,128)，(256,128)和(256,16)，第一层和第三层残差结构维度分别设置(200,128)和(128,16)，BN层的动量设为0.9，学习率设置为0.001。
步骤S7：以minibatch方法，构造100尺度下特征的邻接矩阵。设置批量大小为32，每次随机输入32个特征和对应的子矩阵到图卷积残差网络，直到全部样本抽取训练完成为一轮训练。图卷积残差网络构造与步骤6相同。
步骤S8：将四个分支的输出进行扩散操作，还原到聚合前的形状大小(695，16)，即将处于同一超像素区域内的样本全部替换为对应的节点特征。再按照特征维度进行合并得到大小为(695，16*4)的最终分类特征。
步骤S9：将最终分类特征传入softmax分类器进行分类得到大小为(695，16)的预测结果，结合训练标签计算出损失值。利用梯度下降算法进行网络训练，采用Adam默认配置。当损失值降到最低时训练结束。
步骤S10：构建测试集的节点级特征和邻接矩阵，传入网络进行预测，根据预测结果计算分类精度。
具体实施方式结果
本实施方式采用三个已公开的数据集。数据集的细节描述如下：
印第安松树数据集有200个波段，共有145*145个像素点，类别总数为16。
帕维亚大学数据集有103个波段，共有610*340个像素点，类别总数为9。
休斯顿2013数据集有144个波段，共有349*1905个像素点，类别总数为15。
为了验证本实施方式(Ours)的优越性，将本实施方式与几种现有的先进方法进行比较，包括MGCN、VIT、SF、SSFTT等方法，将会比较这些方法对于上述三个公开数据集分类的精确度，具体的数据对比如下表所示。表1表示在印第安松树数据集上的结果；表2表示在帕维亚大学数据集上的结果；表3表示在休斯顿2013数据集上的结果。
表1印第安松树数据集分类结果
表2帕维亚大学数据集分类结果
表3休斯顿2013数据集分类结果
通过上表中的数据对比，可以清楚地看到，本方法达到了很好的性能，显著提高了分类性能。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述方法包括步骤：
(1)构建多尺度超像素模块
(1a)对原始数据集进行主成分分析生成实验数据，提取实验数据第一维度特征进行多尺度超像素分割，生成多个尺度的超像素信息，尺度越大表示分割后超像素数量越多；
(1b)将实验数据和标签数据划分为训练集和测试集；
(2)构建节点聚合模块
(2a)输入训练集，将同尺度下处于相同超像素块内的像素节点进行聚合操作，生成一个节点级特征；其他超像素块操作相同，最后生成的节点级特征数量与超像素块数量一致。其他尺度的聚合操作也相同，换言之多个尺度的超像素信息对应生成多个尺度的节点级特征；
(2b)根据节点级特征构造邻接矩阵，准备好每个尺度的节点级特征和邻接矩阵作为网络输入；
(3)构建多尺度图卷积残差网络模块
(3a)为每个尺度构造一个图卷积残差网络分支，该网络由三层GCRN组成，GCRN包含图卷积模块和残差项两部分组成，图卷积模块由BN层、GCN层、BN层和RELU层相连而成，残差项是将第一个BN层的输入与RELU层的输出在特征维度进行拼接操作；其中最大尺度不同于其他尺度，采用minibatch方法构建图卷积残差网络，采用小批量策略，每次只输入部分样本和对应的子邻接矩阵；将不同尺度的节点级特征和邻接矩阵输入到对应的网络分支中，得到网络输出特征；
(3b)对网络输出特征进行扩散操作，还原到聚合前的维度大小，生成像素级特征，再将每个尺度的像素级特征合并成一个最终用于分类的特征；
(3c)将用于分类的特征送入softmax分类模块进行分类，得到预测标签；
(4)构建以交叉熵函数为基础的损失函数计算损失值，进行网络训练，直至损失值最小，网络收敛；
(5)将测试集传入节点聚合模块，在通过图卷积残差网络模块，得到分类结果，计算分类精度。
2.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述主成分分析步骤为：
(1)对数据集X＝{x1,x2,...,xn}去中心化，即每维特征减去各自的平均值。
(2)计算协方差矩阵C＝(1/n-1)XTX。
(3)特征值分解方法求协方差矩阵的特征值与特征向量。
(4)按照特征值大小排列特征向量组成特征向量矩阵P。
(5)特征提取Xpca＝PX。
3.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述多尺度超像素分割是使用ERS超像素分割算法对数据进行分割，通过改变生成超像素的数量来生成多个尺度的超像素。
4.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述节点聚合操作是指，将超像素划分的同质区域内的像素点聚合成一个节点级特征，其聚合操作表达式为：
其中，Xpca是经过主成分分析后的数据。λi表示在第p个超像素区域rp中第i个像素的权重，即Xpca(rp(i))的权重，其表达式为：
其中，表示第p个超像素区域内的样本均值。
5.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述邻接矩阵的表达式为：
其中，vi表示第i个节点，τ是控制参数。
6.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述图卷积残差网络由三层GCRN组成，GCRN的表达式为：
其中，RELU(·)和BN(·)表示激活函数和批量归一化，表示按维度拼接，W(l)和b(l)表示第l层可学习的参数。A表示邻接矩阵，/> R(l)表示第l层的残差项，其表达式为：
其中，d()表示潜在特征维度，WR (l)和bR (l)表示可学习的参数。
7.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述minibatch方法构建图卷积残差网络，与6所述区别在于，第一：训练方式采用minibatch的方式，每次取部分样本特征和对应部分的子图进行分批训练，直至全部样本被取出，表达式为；
其中，Hs (l)表示第l层s批的输入，A(mb)s表示第s批子图的邻接矩阵，H(l+1)表示所有批量训练完后的最终输出，N/m表示子图数量，m是批量大小。
第二：该分支邻接矩阵构造方式表达式为：
其中，UVi表示与样本特征Vi相邻的集合。
8.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述扩散操作是节点聚合的逆向操作，将同一超像素区域内的特征复制成对应的节点级特征，生成像素级特征，扩散操作表达式为：
Xpca(rp(i))＝Vp
其中，Xpca是经过主成分分析后的数据。Xpca(rp(i))表示在第p个超像素区域rp中第i个像素特征，Vp表示网络输出特征。
9.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述像素级特征合并操作表达式为：
其中，M表示尺度的个数。
10.根据权利要求1所述的基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法，其特征在于，所述损失函数表达式为：
其中，N表示样本个数，C表示类别个数，yi,c和pi,c表示样本的标签值和预测值。M表示尺度个数，l表示网络层数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310715371.7A CN116758349A (zh) | 2023-06-15 | 2023-06-15 | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310715371.7A CN116758349A (zh) | 2023-06-15 | 2023-06-15 | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116758349A true CN116758349A (zh) | 2023-09-15 |
Family
ID=87958376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310715371.7A Pending CN116758349A (zh) | 2023-06-15 | 2023-06-15 | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758349A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994071A (zh) * | 2023-09-25 | 2023-11-03 | 云南联合视觉科技有限公司 | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 |
-
2023
- 2023-06-15 CN CN202310715371.7A patent/CN116758349A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994071A (zh) * | 2023-09-25 | 2023-11-03 | 云南联合视觉科技有限公司 | 一种基于自适应光谱残差的多光谱激光雷达点云分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11010658B2 (en) | System and method for learning the structure of deep convolutional neural networks | |
| CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar分类方法 | |
| US10535141B2 (en) | Differentiable jaccard loss approximation for training an artificial neural network | |
| CN113313164B (zh) | 一种基于超像素分割与图卷积的数字病理图像分类方法及系统 | |
| CN112396002A (zh) | 一种基于SE-YOLOv3的轻量级遥感目标检测方法 | |
| CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN109684314B (zh) | 一种基于空间结构的无线传感器网络缺失值估计方法 | |
| CN107590515A (zh) | 基于熵率超像素分割的自编码器的高光谱图像分类方法 | |
| CN112766099B (zh) | 一种从局部到全局上下文信息提取的高光谱影像分类方法 | |
| CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
| CN112580662A (zh) | 一种基于图像特征识别鱼体方向的方法及系统 | |
| CN114005085A (zh) | 一种视频中密集人群分布检测与计数方法 | |
| CN114021811A (zh) | 基于注意力改进的交通预测方法及计算机介质 | |
| CN112906813A (zh) | 一种基于密度聚类和胶囊神经网络的浮选工况识别方法 | |
| CN116758349A (zh) | 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法 | |
| CN110689065A (zh) | 一种基于扁平混合卷积神经网络的高光谱图像分类方法 | |
| CN112200103A (zh) | 一种基于图注意力的视频分析系统和方法 | |
| CN113298129A (zh) | 基于超像素和图卷积网络的极化sar图像分类方法 | |
| CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
| CN112508066A (zh) | 一种基于残差全卷积分割网络的高光谱图像分类方法 | |
| CN113570573A (zh) | 混合注意力机制的肺结节假阳性排除方法、系统、设备 | |
| CN116504075A (zh) | 注意力与多元图卷积融合的时空交通速度预测方法及系统 | |
| Althobaiti et al. | Intelligent deep data analytics-based remote sensing scene classification model | |
| CN115438841A (zh) | 基于人工智能精准预测降雨模型的训练方法及预测方法 |
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 |