CN116933141A - 一种基于多核图学习的多光谱激光雷达点云分类方法 - Google Patents
一种基于多核图学习的多光谱激光雷达点云分类方法 Download PDFInfo
- Publication number
- CN116933141A CN116933141A CN202311189515.6A CN202311189515A CN116933141A CN 116933141 A CN116933141 A CN 116933141A CN 202311189515 A CN202311189515 A CN 202311189515A CN 116933141 A CN116933141 A CN 116933141A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- core
- matrix
- radar point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000011524 similarity measure Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于多核图学习的多光谱激光雷达点云分类方法，属于多光谱激光雷达点云技术领域。本发明首先分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵。然后使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵。再将空间‑光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵。最后将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型。并使用训练好的多核图神经网络模型对多光谱激光雷达点云数据进行分类，获得多光谱激光雷达点云地物分类结果。本发明实现了对复杂遥感场景下多光谱雷达点云数据的自适应精细分类。
Description
技术领域
本发明涉及一种基于多核图学习的多光谱激光雷达点云分类方法，属于多光谱激光雷达点云技术领域。
背景技术
遥感数据解译作为遥感领域的研究热点，是国家基础地理信息建设的重要内容。随着超连续谱激光技术的发展，多光谱 LiDAR 从研发走向应用，使用具有多谱段信息探测能力的多光谱LiDAR 系统，能同步获取目标的三维空间分布信息和光谱信息，为遥感场景地物空间三维精细分类提供了数据基础和信息保障。国家《民用空间基础设施中长期发展规划（2015-2025 年）》将多光谱 LiDAR列入需超前部署和发展的重点方向。多光谱激光雷达遥感地物分类工作中，在实现了观测目标三维空间-光谱一体化信息采集，从根本上解决了联合利用光谱图像和LiDAR数据带来的失配、漂移等问题，同时兼顾了两者之间的互补信息，为遥感场景地物三维精细分类提供了数据基础和信息保障。
现有的多光谱点云分类研究可以概括为两个技术路线：基于像素的图像处理和基于点的点云处理技术。基于像素的图像处理方法将点云转换为二维图像进行处理，这不可避免地导致了三维空间信息的损失。而基于点的点云处理技术一般是针对单波段的激光雷达点云设计的，无法很好的使用多光谱激光雷达点云数据的光谱信息。随着深度学习领域中图理论的发展，利用图方法来处理点云相关应用逐渐出现。已有方法通常依赖于人工经验构建固定的图，不能适应遥感场景的复杂性，故分类性能不佳。
发明内容
本发明提供了一种基于多核图学习的多光谱激光雷达点云分类方法，以用于解决传统方法利用地物三维空间分布或光谱信息构建多光谱点云图模型时，由于遥感场景地物分布的复杂性和“同物异谱、同谱异物”现象，使得构建的固定结构图模型存在错误连接、连接权值不合理问题。
本发明的技术方案是：一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述方法的具体步骤如下：
步骤一：分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵；
空间欧式距离矩阵，光谱距离矩阵，其中/>代表第a个点到第b个点的空间距离，/>代表第a个点到第b个点的光谱距离。
多光谱激光雷达点云数据为三波段，每个点的数据表示为，x、y、z代表当前点的空间坐标，/>、/>、/>代表当前点的第1、2、3个波段的回波强度，将多光谱激光雷达点云数据的所有点排列，则点云数据为/>，得到每一维度的向量，，/>，/>，/>，/>，；
是X坐标的空间距离矩阵，其计算公式如下：，其中/>，是/>的转置，/>，的计算方式与/>的计算方式相同，最终得到空间距离矩阵，光谱距离矩阵/>。
步骤二：使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵；
高斯核函数，/>是高斯核的平滑程度参数，通过不同的/>确定一组不同的高斯核函数，根据选取的高斯核函数获取一组不同的核邻接矩阵，称为基核邻接矩阵集合/>，其中/>是使用不同参数/>计算出的基核邻接矩阵，，其中/>是一个超参数，用来控制光谱距离在相似性度量中的贡献度权重，/>代表归一化运算。本方法中使用多个不同的高斯核计算多个基核邻接矩阵，在后续步骤网络训练时，将通过自适应的学习方法组合多个基核邻接矩阵，实现邻接矩阵的自适应变化，从而增强图神经网络对复杂遥感场景的适应能力。
步骤三：将空间-光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵；
将原始点云数据作为点云基础特征，使用距离矩阵扩展点云特征，最终的扩展特征矩阵为/>，其中/>代表第a个点到第b个点的距离，/>。其中/>是步骤S2中用来控制光谱距离在相似性度量中的贡献度权重的超参数。每一行代表多光谱激光雷达点云数据中一个点的所有特征，包括原始的空间-光谱信息，以及扩展的当前点到点云中其他所有点的距离，如此扩展特征可以大幅度的增加点云中每个点的信息量，同时更好的感知同一场景下点云中点之间的关系，增强了点云分类的能力。
步骤四：将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型；
单层图神经网络为，其中X为网络输入样本，A为邻接矩阵，W代表网络模型中的可训练参数，/>代表在模型参数为/>时，输入X和A后模型的输出；将图神经网络中的邻接矩阵A替换为由步骤二中得到的基核邻接矩阵集合/>构成的线性组合，并引入一组数量与基核邻接矩阵数量相同的可训练核权重，则输入到网络中的邻接矩阵表示为/>，多核图神经网络模型。即表示在模型参数为/>时，输入X、A和/>后模型的输出，/>和W作为可训练的权重，在网络的优化过程中可自动迭代更新。相较于输入固定图结构、即邻接矩阵固定不变的图神经网络方法，本方法在网络模型训练过程中，不只训练模型参数，同时训练一组核权重，实现在网络更新的过程中，图结构自适应变化，从而可以在优化过程中找到更适合当前场景分类的图结构，大幅增加了图神经网络对复杂遥感场景的适应性，提升了分类能力。
步骤五：使用训练好的多核图神经网络模型对多光谱激光雷达点云数据进行分类，获得多光谱激光雷达点云地物分类结果。
本发明的有益效果是：本发明通过将复杂的多光谱激光雷达点云数据的距离计算转换为矩阵运算，大幅缩短了计算时间；使用多个不同的高斯核计算多个基核邻接矩阵，通过自适应的学习方法组合多个基核邻接矩阵，实现邻接矩阵的自适应变化，从而增强图神经网络对复杂遥感场景的适应能力；将距离矩阵作为特征实现多光谱激光雷达点云的特征扩展，每一行代表多光谱激光雷达点云数据中一个点的所有特征，包括原始的空间-光谱信息，以及扩展的当前点到点云中其他所有点的距离，大幅度的增加点云中每个点的信息量，同时更好的感知同一场景下点云中点之间的关系，增强了点云分类的能力。多核的权重在网络的优化过程中可自动迭代更新。相较于输入固定图结构、即邻接矩阵固定不变的图神经网络方法，本方法在网络模型训练过程中，不只训练模型参数，同时训练一组核权重，实现在网络更新的过程中，图结构自适应变化，从而可以在优化过程中找到更适合当前场景分类的图结构，大幅增加了图神经网络对复杂遥感场景的适应性，提升了分类能力。
附图说明
图1是本发明总流程图；
图2是实施例原始数据、标签真值与分类结果的可视化；
图3是本方法分类结果的混淆矩阵。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
实施例1：如附图1所示，用于多光谱激光雷达点云分类的多核图学习方法，所述方法的具体步骤如下：
步骤一：根据多光谱激光雷达点云数据，计算点之间的空间欧式距离矩阵和光谱距离矩阵/>，其中/>代表第a个点到第b个点的空间距离，/>代表第a个点到第b个点的光谱距离。
以具有三波段的多光谱激光雷达点云数据为例，每个点的数据可以表示为其中P代表一个点，x、y、z代表当前点的空间坐标，/>、/>、/>代表当前点的第1、2、3个波段的回波强度，将多光谱激光雷达点云数据的所有点排列，则点云数据为，即可得到每一维度的向量，即/>，/>，，/>，/>，/>。以X为例进行距离矩阵的计算，/>是X坐标的空间距离矩阵，其计算公式如下：，其中/>可由X内每个元素平方后的列向量横向拓展得到，/>是/>的转置，是由X乘X的转置得来的。/>的计算方式与的计算方式相同，最终得到空间距离矩阵/>，光谱距离矩阵。
步骤二：使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵；
已知高斯核函数，则核邻接矩阵为，其中/>是一个超参数，用来控制光谱距离在相似性度量中的贡献度权重，/>代表归一化运算，本方法中使用公知的最大最小归一化运算。/>是高斯核的平滑程度参数，不同的/>确定唯一的高斯核函数，故本方法中，选取一组不同的高斯核函数即可获取一组不同的核邻接矩阵，称为基核邻接矩阵集合/>，其中/>是使用不同/>计算出的基核邻接矩阵，下标代表其序号。
步骤三：将空间-光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵；
已知点云数据为，在本方法中将原始点云数据作为点云基础特征，使用距离矩阵扩展点云特征，则最终的扩展特征矩阵为，其中/>代表第a个点到第b个点的距离，。其中/>是步骤二中用来控制光谱距离在相似性度量中的贡献度权重的超参数。
步骤四：将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型；
已知单层GCN网络表达式为，其中X为网络输入样本，A为邻接矩阵，W代表网络模型中的可训练参数，/>代表在模型参数为/>时，输入X和A后模型的输出。本方法在GCN网络的基础上扩展多核学习，即将传统GCN网络中的固定邻接矩阵，替换为由步骤S2中得到的基核邻接矩阵集合/>构成的线性组合，故在网络中引入一组数量与基核邻接矩阵数量相同的可训练核权重/>，则输入到网络中的邻接矩阵可以表示为/>，最终本方法的表达式为，即表示在模型参数为/>时，输入X、A和/>后模型的输出，/>和W作为可训练的权重，在网络的优化过程中可自动迭代更新。
步骤S5：使用训练好的GCN模型对多光谱激光雷达点云数据进行分类，将会得到点云中每个点对应的分类结果。
本实施例中对图2所示的原始数据进行处理并分类，结果如图2-3以及表1所示。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述方法的具体步骤如下：
步骤一：分别计算多光谱激光雷达点云数据的空间距离矩阵和光谱距离矩阵；
步骤二：使用不同高斯核度量多光谱激光雷达点云之间的相似性，计算出多个基核邻接矩阵；
步骤三：将空间-光谱距离矩阵作为高维特征，扩展多光谱激光雷达点云的特征矩阵；
步骤四：将多个核邻接矩阵与扩展特征矩阵输入改良的多核图神经网络中，同步更新图神经网络权重与多核权重以训练模型；
步骤五：使用训练好的多核图神经网络模型对多光谱激光雷达点云数据进行分类，获得多光谱激光雷达点云地物分类结果。
2.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤一具体内容如下：
多光谱激光雷达点云数据为三波段，每个点的数据表示为，x、y、z代表当前点的空间坐标，/>、/>、/>代表当前点的第1、2、3个波段的回波强度，将多光谱激光雷达点云数据的所有点排列，则点云数据为/>，得到每一维度的向量，，/>，/>，/>，/>，；
是X坐标的空间距离矩阵，其计算公式如下：，其中/>，是/>的转置，/>，的计算方式与/>的计算方式相同，最终得到空间距离矩阵，光谱距离矩阵/>。
3.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤二具体内容如下：
高斯核函数，/>是高斯核的平滑程度参数，通过不同的/>确定一组不同的高斯核函数，根据选取的高斯核函数获取一组不同的核邻接矩阵，称为基核邻接矩阵集合，其中/>是使用不同参数/>计算出的基核邻接矩阵，，其中/>是一个超参数，用来控制光谱距离在相似性度量中的贡献度权重，/>代表归一化运算，Aspectral是使用当前高斯核函数获取的光谱邻接矩阵，Aspatial是使用当前高斯核函数获取的空间邻接矩阵。
4.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤三具体内容如下：
将原始点云数据作为点云基础特征，使用距离矩阵扩展点云特征，最终的扩展特征矩阵为/>，其中/>代表第a个点到第b个点的距离，/>。
5.如权利要求1所述的一种基于多核图学习的多光谱激光雷达点云分类方法，其特征在于：所述步骤四具体内容如下：
单层图神经网络为，其中X为网络输入样本，A为邻接矩阵，W代表网络模型中的可训练参数，/>代表在模型参数为/>时，输入X和A后模型的输出；将图神经网络中的邻接矩阵A替换为由步骤二中得到的基核邻接矩阵集合/>构成的线性组合，并引入一组数量与基核邻接矩阵数量相同的可训练核权重/>，则输入到网络中的邻接矩阵表示为/>，多核图神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311189515.6A CN116933141B (zh) | 2023-09-15 | 2023-09-15 | 一种基于多核图学习的多光谱激光雷达点云分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311189515.6A CN116933141B (zh) | 2023-09-15 | 2023-09-15 | 一种基于多核图学习的多光谱激光雷达点云分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933141A true CN116933141A (zh) | 2023-10-24 |
| CN116933141B CN116933141B (zh) | 2023-11-17 |
Family
ID=88377506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311189515.6A Active CN116933141B (zh) | 2023-09-15 | 2023-09-15 | 一种基于多核图学习的多光谱激光雷达点云分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933141B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830752A (zh) * | 2024-03-06 | 2024-04-05 | 昆明理工大学 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529484A (zh) * | 2016-11-16 | 2017-03-22 | 哈尔滨工业大学 | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 |
| CN106778802A (zh) * | 2016-11-16 | 2017-05-31 | 哈尔滨工业大学 | 一种最大化类别可分性的高光谱图像分类多核学习方法 |
| CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
| US20210124901A1 (en) * | 2019-10-28 | 2021-04-29 | The Chinese University Of Hong Kong | Systems and methods for place recognition based on 3d point cloud |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN114330516A (zh) * | 2021-12-15 | 2022-04-12 | 安徽大学 | 基于多图引导神经网络模型的小样本徽景图像分类 |
| CN115205306A (zh) * | 2022-08-02 | 2022-10-18 | 吉林建筑大学 | 一种基于图卷积的医疗图像分割方法 |
| CN115346055A (zh) * | 2022-08-23 | 2022-11-15 | 昆明理工大学 | 一种基于多核宽度图神经网络特征提取与分类方法 |
| WO2023025030A1 (zh) * | 2021-08-26 | 2023-03-02 | 上海交通大学 | 一种三维点云上采样方法、系统、设备及介质 |
| CN116310453A (zh) * | 2023-02-24 | 2023-06-23 | 中国人民解放军火箭军工程大学 | 一种基于加权空谱融合的无核快速谱聚类方法 |
| CN116439672A (zh) * | 2023-05-17 | 2023-07-18 | 吉林大学 | 一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法 |
-
2023
- 2023-09-15 CN CN202311189515.6A patent/CN116933141B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529484A (zh) * | 2016-11-16 | 2017-03-22 | 哈尔滨工业大学 | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 |
| CN106778802A (zh) * | 2016-11-16 | 2017-05-31 | 哈尔滨工业大学 | 一种最大化类别可分性的高光谱图像分类多核学习方法 |
| US20210124901A1 (en) * | 2019-10-28 | 2021-04-29 | The Chinese University Of Hong Kong | Systems and methods for place recognition based on 3d point cloud |
| CN112488210A (zh) * | 2020-12-02 | 2021-03-12 | 北京工业大学 | 一种基于图卷积神经网络的三维点云自动分类方法 |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| WO2023025030A1 (zh) * | 2021-08-26 | 2023-03-02 | 上海交通大学 | 一种三维点云上采样方法、系统、设备及介质 |
| CN114330516A (zh) * | 2021-12-15 | 2022-04-12 | 安徽大学 | 基于多图引导神经网络模型的小样本徽景图像分类 |
| CN115205306A (zh) * | 2022-08-02 | 2022-10-18 | 吉林建筑大学 | 一种基于图卷积的医疗图像分割方法 |
| CN115346055A (zh) * | 2022-08-23 | 2022-11-15 | 昆明理工大学 | 一种基于多核宽度图神经网络特征提取与分类方法 |
| CN116310453A (zh) * | 2023-02-24 | 2023-06-23 | 中国人民解放军火箭军工程大学 | 一种基于加权空谱融合的无核快速谱聚类方法 |
| CN116439672A (zh) * | 2023-05-17 | 2023-07-18 | 吉林大学 | 一种基于动态自适应核图神经网络的多分辨率睡眠阶段分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| QINGWANG WANG 等: "Deep Spatial Graph Convolution Network with Adaptive Spectral Aggregated Residuals for Multispectral Point Cloud Classification", 《REMOTE SENSING》, pages 1 - 21 * |
| QINGWANG WANG 等: "SPATIAL-SPECTRAL SMOOTH GRAPH CONVOLUTIONAL NETWORK FOR MULTISPECTRAL POINT CLOUD CLASSIFICATION", 《IGARSS 2020》, pages 1062 - 1065 * |
| 徐田野: "基于融合图卷积的深度学习点云分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2023, pages 138 - 1326 * |
| 秦鑫宇 等: "基于点密度加权的多尺度分层点云识别网络", 《计算机工程与应用》, vol. 58, no. 13, pages 217 - 226 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830752A (zh) * | 2024-03-06 | 2024-04-05 | 昆明理工大学 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
| CN117830752B (zh) * | 2024-03-06 | 2024-05-07 | 昆明理工大学 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933141B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
| CN109118564B (zh) | 一种基于融合体素的三维点云标记方法和装置 | |
| CN110728192B (zh) | 一种基于新型特征金字塔深度网络的高分遥感图像分类方法 | |
| CN107194336B (zh) | 基于半监督深度距离度量网络的极化sar图像分类方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN107590515B (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 | |
| CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
| CN111161199A (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
| CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
| CN116933141B (zh) | 一种基于多核图学习的多光谱激光雷达点云分类方法 | |
| CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
| CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
| CN113850189B (zh) | 一种应用于机动平台的嵌入式孪生网络实时跟踪方法 | |
| CN115984621A (zh) | 一种基于限制性原型对比网络的小样本遥感图像分类方法 | |
| CN114708313A (zh) | 基于双支路神经网络的光学与sar图像配准方法 | |
| CN114359603A (zh) | 一种多模态遥感图像领域自适应无监督匹配方法 | |
| CN117765313A (zh) | 一种基于空间连续视图对比学习的多源遥感图像分类方法 | |
| CN114022786A (zh) | 基于图中图卷积网络的高光谱图像分类方法 | |
| Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
| CN114119669A (zh) | 一种基于Shuffle注意力的图匹配目标跟踪方法与系统 | |
| CN117671666A (zh) | 一种基于自适应图卷积神经网络的目标识别方法 | |
| CN112906517A (zh) | 一种自监督的幂律分布人群计数方法、装置和电子设备 | |
| CN116994071A (zh) | 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 | |
| CN111144422A (zh) | 一种飞机部件的定位识别方法和系统 |
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 |