CN116958709A - 一种轻量级张量卷积长短时记忆网络的高光谱分类方法 - Google Patents

一种轻量级张量卷积长短时记忆网络的高光谱分类方法 Download PDF

Info

Publication number
CN116958709A
CN116958709A CN202311073728.2A CN202311073728A CN116958709A CN 116958709 A CN116958709 A CN 116958709A CN 202311073728 A CN202311073728 A CN 202311073728A CN 116958709 A CN116958709 A CN 116958709A
Authority
CN
China
Prior art keywords
tensor
lightweight
short
convolution
time memory
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
Application number
CN202311073728.2A
Other languages
English (en)
Inventor
李伟
胡文帅
张蒙蒙
陶然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202311073728.2A priority Critical patent/CN116958709A/zh
Publication of CN116958709A publication Critical patent/CN116958709A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—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
    • G06V10/774—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种轻量级张量卷积长短时记忆网络的高光谱分类方法，针对空谱卷积长短时记忆单元权重参数量多、存储复杂度高等问题，基于张量链式分解设计出两种轻量级张量空谱卷积长短时记忆单元：(1)将每个门结构中每个卷积运算分别扩展至张量域；(2)将当前时刻输入数据和前一时刻输出数据对应的4个卷积核分别集成，堆叠为两个大尺寸卷积核并扩展至张量域。以两种轻量级单元为基本结构，分别设计两种轻量级深度张量空谱卷积长短时记忆网络用于高光谱图像分类。本发明能保持良好的空谱特征提取能力，并在较低网络参数量和存储复杂度下，有效缓解整个模型的过拟合问题，提高小样本高光谱图像分类性能。

Description

一种轻量级张量卷积长短时记忆网络的高光谱分类方法
技术领域
本发明属于机载遥感智能处理领域，具体涉及一种轻量级张量卷积长短时记忆网络的高光谱分类方法。
背景技术
高光谱遥感技术是一种将成像技术和光谱技术相结合的对地观测技术，所获取图像具有纳米级的光谱分辨率与“图谱合一”的数据结构特点，在物质鉴别方面具有独特优势。为此，欧盟《面向未来的100项重大创新突破》报告、《民用空间基础设施中长期发展规划》、《生态环境卫星中长期发展规划》等中，均明确大力发展高光谱遥感技术，高光谱图像得获取能力得以大幅提高。其中，高光谱图像智能分析与处理技术，特别是特征提取与分类技术是最为关键的信息获取技术。
随着计算机视觉和人工智能技术的飞速发展，深度学习被广泛应用于高光谱遥感图像分类任务。但由于特殊的成像机制，高光谱图像通常存在标签样本有限、噪声/异常数据干扰等问题，限制了深度学习算法的分类性能。现有基于深度学习的高光谱图像分类算法主要存在以下不足：(1)尽管深度学习算法取得远优于传统算法的分类性能，但复杂结构和高维参数的特点往往使其存在训练不充分、过拟合问题，限制其分类性能的进一步提升，尤其在小样本情况下网络过拟合问题尤为严重。(2)深度学习算法在获得优异分类性能的同时伴随着更深、更宽、更复杂的网络结构，导致其存在大量网络训练参数及较高的存储复杂度，限制了此类算法在机载等嵌入式平台的集成与实际工程应用。因此，如何设计一种适用于高光谱图像地物目标分类的深度神经网络压缩方法，甚至是无损压缩方法是机载遥感智能处理领域技术人员亟需解决的一个关键问题。
发明内容
本发明的目的在于以充分降低深度网络参数和存储复杂度、提高小样本下地物分类精度为出发点，提供一种轻量级深度张量空谱卷积长短时记忆网络的高光谱图像分类方法，应用于机载遥感智能处理领域，缓解深度过拟合问题，提升小样本高光谱图像分类性能，以解决上述背景技术中所提到的关键问题。
为实现上述目的，本发明提供以下技术方案：一种轻量级张量卷积长短时记忆网络的高光谱分类方法，包括如下步骤：
S1、将以高光谱图像每个像素点为中心的局部邻域窗口取出，得到三维空谱数据立方体，并结合对应类别信息，构建训练集和测试集；
S2、以空谱卷积长短时记忆单元为基本结构，从两个角度分别构建两种轻量级张量空谱卷积长短时记忆单元；
S3、分别以两种张量空谱卷积长短时记忆单元为基本结构，并结合张量全连接层，设计两种轻量级深度张量空谱卷积长短时记忆网络；
S4、利用构建的训练集，对轻量级深度张量空谱卷积长短时记忆网络进行训练，得到高光谱图像空谱联合分类模型；
S5、利用训练好的高光谱图像空谱联合分类模型对测试集进行分类，预测对应分类结果。
进一步的，所述步骤S2中，利用张量链式分解，通过两个角度将空谱卷积长短时记忆单元扩展至张量域：1)将单元中每个门控结构的每个卷积运算分别扩展至张量域；2)将单元中当前时刻输入数据和前一时刻输出数据对应的4个卷积核分别作为一个整体，堆叠为两个大尺寸卷积核并分别扩展至张量域，实现空谱卷积长短时记忆单元中权重参数量的压缩。
所述步骤S3中，以步骤S2设计的两种轻量级张量空谱卷积长短时记忆单元为基本结构搭建主干特征提取网络，结合张量全连接层搭建分类网络，设计两种轻量级深度张量空谱卷积长短时记忆网络。
所述步骤S4中，从执行步骤S1得到的训练集，分别对两种轻量级深度张量空谱卷积长短时记忆网络进行端到端训练，更新网络参数至收敛，得到训练好的高光谱图像分类模型。
所述步骤S5中，从执行步骤S1得到测试集，对执行步骤S4得到的高光谱图像空谱联合分类模型进行分类，预测对应分类结果，并验证所提出轻量级分类方法的可行性。
本发明提出的轻量级高光谱图像空谱联合分类算法能保持良好的空谱特征提取能力，并实现网络参数和存储复杂度的有效压缩，提升其小样本高光谱图像分类性能，进而为机载平台计算资源有限、样本匮乏场景下的遥感图像智能处理任务提供一种解决方法。
本发明提供了一种轻量级张量卷积长短时记忆网络的高光谱分类方法，以降低深度网络参数量和存储复杂度、提高小样本下地物目标分类精度为目标，综合考虑机载遥感领域高光谱图像的数据特点，构建了基于轻量级深度张量空谱卷积长短时记忆网络的分类新模型。相比现有分类模型，本发明提出的分类算法可以在大大降低网络参数量和存储复杂度的前提下，较好实现高光谱图像地物目标分类，提高了整个算法在小样本情况下的分类性能。
附图说明
为更加清晰地阐述本发明提出的轻量级高光谱遥感图像分类方法的目的、设计思路和创新性，下面将结合附图和附表对本发明做详细说明。
图1为本发明提出的轻量级高光谱遥感图像分类方法流程图。
图2为本发明提出的两种轻量级张量空谱卷积长短时记忆单元内部结构图。
图3为本发明提出的两种轻量级深度张量空谱卷积长短时记忆网络结构图。
具体实施方式
下面结合附图以及具体实施方式对本发明进行详细说明。
实施例1
本实施例是本发明提供的一种轻量级张量卷积长短时记忆网络的高光谱分类方法，如图1所示，包括以下步骤：
S1、将以高光谱图像每个像素点为中心的局部邻域窗口取出，得到三维空谱数据立方体，并结合对应类别信息，构建训练集和测试集。
假设原始高光谱图像维度为W×H×D，W、H和D分别为宽度、高度和光谱波段数。首先，对第i个像素点，选择以其为中心的s×s局部邻域作为空间信息，结合光谱信息得到三维数据立方体并将其重构为/>其中，τ为时间步长维度，实验中，取值为1。其中，K为经过主成分分析算法对图像光谱降维后的光谱波段数。
然后，分别构建训练数据：
和测试数据：
对应的训练标签为为
和测试标签
得到训练集和测试集/>和/>为训练样本数和测试样本数。
S2、以空谱卷积长短时记忆单元为基本结构，从两个角度构建分别两种轻量级张量空谱卷积长短时记忆单元，如图2所示。
如式(1)所示为原始空谱卷积长短时记忆单元(3-D Convolutional Long Short-term Memory,ConvLSTM3D)的内部计算公式：
其中，为ConvLSTM3D单元输入数据，/>和/>为前一时刻ConvLSTM3D单元输出数据和状态，w、h和a为宽度、高度和光谱维度。C和S为输入通道和输出通道数。it、ft和ot为输入、遗忘和输出门，对应权重/>和/>维度为k×k×k×C×S或k×k×k×S×S，理论上宽度、高度和光谱维度上k的取值可以不同。·为x、h和c。※为三维卷积运算。/>为哈德码积运算。
根据公式(1)，ConvLSTM3D单元包括输入数据和前一时刻输出数据分别对应两种不同卷积核：/>和/>共8个卷积核(不考虑/>)。为降低单元参数量和存储复杂度，构建如图2的基于张量分解理论的轻量级张量空谱卷积长短时记忆单元。
首先，将两个输入数据和/>均沿着通道维度重构为3+d阶高阶张量，分别得到/>和/>
对于图2(a)，基于三维张量链式分解(3-D Tensor-Train,3DTT)，首先将和对应8个卷积核/>和/>沿分别通道维度分解为d+1个张量链式分解核：
其中，和/>表示3DTT核，/> jw，jh，jd＝1，2，...，k，cd＝1，2，...，Cd，sd＝1，2，...，Sd。/>为3DTT秩，r0＝rd+1＝1。为便于后续分析，其余秩[r1，...，rd]的取值均相同，用变量r表示。然后，根据3DTT计算原理，分别完成/>与/>和/>与/>的卷积-张量模乘积运算，得到/>和并将其分别重构为4阶张量/>和/>作为单元中8个卷积运算的输出结果。为便于与后续内容区分，将上述计算过程表示为和/>得到第一种张量空谱卷积长短时记忆单元(命名为TTConvLSTM3D-1单元)，并将公式(1)更新如下：
对于图2(b)，不同于TTConvLSTM3D-1单元，为了进一步压缩整个单元的参数量，在降低公式(2)计算复杂度的同时，探索不同门结构权重之间的相关性，首先，将和/>对应的8个卷积核/>和/>分别沿通道维度进行级联，得到：
其中，[·，·，·，·]表示级联操作，且和/>然后，类似于公式(2)，将/>和/>分别沿通道维度分解为d+1个张量链式分解核：
其中，和/>为3DTT核，/>Q＝4S，qd＝1，2，...，Qd。然后，同公式(3)得到/>与/>和/>与/>的卷积-张量模乘积运算结果:/>和/>并分别重构为三阶张量/>和最后，将/>和/>分别沿通道维度平均拆分为4个4阶张量/>和4个4阶张量/>作为单元中8个卷积运算的输出结果。为便于与前述内容区分，将上述计算过程表示为/>和因此得到第二种张量空谱卷积长短时记忆单元(命名为TTConvLSTM3D-2单元)，并将公式(1)更新如下：
其中，split(·)表示沿着通道维度平均拆分运算。
S3、分别以两种张量空谱卷积长短时记忆单元为基本结构，并结合张量全连接层，设计两种轻量级深度张量空谱卷积长短时记忆网络，如图3所示。
首先，分别以公式(3)和(6)的两种张量空谱卷积长短时记忆单元为基本结构，得到两种张量空谱卷积长短时记忆网络层(TTConvLSTM3D-1网络层和TTConvLSTM3D-2网络层)。
然后，将S1中构建的三维数据立方体作为输入数据，通过交替堆叠l层TTConvLSTM3D-1网络层与最大池化层，提取其深度空谱特征/>通过交替堆叠l层TTConvLSTM3D-2网络层和最大池化层，提取其深度空谱特征/>l＝2。然后，两种深度空谱特征通过展平层(Faltten Layer)映射为/>和/>并输入到一层张量链式分解全连接层(TT Fully Connected Layer,TTFC Layer)，分别映射为特征向量/>和/>计算公式如下：
其中，为TTFC核，/>U和V为TTFC Layer的输入和输出通道数，U＝wlhlalSl。ud＝1，2，...，Ud，vd＝1，2，...，Vd。
最后，将特征向量和/>输入到一层传统全连接层(FC Layer)中，分别映射为特征向量/>和/>输入到Softmax函数，分别预测得到对应的分类类别yi1和yi2。其中，N表示地物目标类别数。
基于上述设计，得到如图3所示的两种轻量级深度张量空谱卷积长短时记忆网络(分别命名为SSTTCL3DNN-1和SSTTCL3DNN-2)。
S4、利用构建的训练集，对轻量级深度张量空谱卷积长短时记忆网络进行训练，得到高光谱图像空谱联合分类模型。
首先，将SSTTCL3DNN-1和SSTTCL3DNN-2网络损失函数分别定义如下：
其中，yi为输入数据对应的真实类别标签，yi1和yi2为SSTTCL3DNN-1和SSTTCL3DNN-2网络输出的预测标签。
然后，基于步骤S1构建的训练集通过自适应动量优化算法分别对公式(9)和(10)中损失函数/>和/>进行端到端的训练与优化，使得SSTTCL3DNN-1和SSTTCL3DNN-2网络在低网络参数量和低存储复杂度前提下，有效实现高光谱图像空谱联合分类。
S5、利用训练好的高光谱图像空谱联合分类模型对测试集进行分类，预测对应分类结果。
首先，将测试集分别输入到上述已训练好的SSTTCL3DNN-1和SSTTCL3DNN-2分类模型中，得到对应预测标签/>和/>然后，将预测标签/>和/>分别与测试集标签Ytest进行对比，评估所提出轻量级深度张量空谱卷积长短时记忆网络的高光谱图像分类性能。
实施例2
在实施例1基础上，本实施方式选择一个公开的机载高光谱遥感图像数据集(University of Pavia数据集)对本发明提出的轻量级高光谱遥感图像空谱联合分类方法进行仿真实验，验证其可行性和有效性。该数据集是由空间分辨率为1.3米、波长范围为0.43-0.86微米的机载反射光学系统成像光谱仪拍摄的意大利北部帕维亚大学校区的高光谱图像，空间分辨率为610×340像素。经移除部分无效波段和背景像素后，整个数据集共包含103个光谱波段、42779个像素点和9类地物类别用于实验研究和对比分析。其中，从每类地物目标中随机选择10个标签样本用于模型训练，其余样本用于测试验证。此外，本实施方式选择近5年3种新颖的高光谱图像分类算法作为对比方法。包括：Spatial-Spectral 2-Dand 3-D and Convolutional Long Short-Term Memory Neural Network(SSCL2DNN和SSCL3DNN.IEEE Trans.Geosci.Remote Sens.2020)、Spatial-Spectral Tensor-train 2-D Convolutional Long Short-Term Memory Neural Network(SSTTCL2DNN.IEEEJ.Sel.Topics Signal Process.2021)。
表1不同分类算法在University ofPavia数据集下的网络参数量(个)与模型存储大小(MB)
表2不同分类算法在University of Pavia数据集下的分类结果(％)
表1给出本发明算法与上述对比方法的网络参数量(个)与模型存储大小(MB)对比分析。表2给出本发明算法与上述对比方法在该数据集下的分类结果(％)，包括每类分类精度、整体分类精度(Overall Accuracy,OA)、平均分类精度(Average Accuracy,AA)和Kappa系数，且所示结果为10次随机实验的平均值。
根据表1，从网络参数量和模型存储大小上，本发明提出的两种轻量级高光谱图像空谱联合分类模型(SSTTCL3DNN-1和SSTTCL3DNN-2)分别将原始的SSCL3DNN的模型大小从17.30MB压缩到0.45MB和0.34MB，压缩约38.44倍和50.88倍。进一步，根据表2，从高光谱图像地物目标分类性能上，相比于原始的SSCL3DNN模型，本发明提出的SSTTCL3DNN-1和SSTTCL3DNN-2模型在OA指标上分别提升2.31％和4.37％。实验结果证明了本发明提出的轻量级深度张量空谱卷积长短时记忆网络在压缩网络参数量和存储复杂度、同时提升小样本高光谱图像分类性能上的有效性。
本发明针对机载遥感智能处理领域，提出一种轻量级张量卷积长短时记忆网络的高光谱分类方法，通过网络结构推导、实验结果、对比分析证明了本发明提出的算法在降低深度网络参数量和模型存储复杂度、提高小样本高光谱图像分类性能上的可行性和有效性，进而为机载平台计算资源有限、样本匮乏场景下的遥感图像智能处理任务提供一种解决参考。

Claims (5)

1.一种轻量级张量卷积长短时记忆网络的高光谱分类方法，其特征在于，包括以下步骤：
S1、将以高光谱图像每个像素点为中心的局部邻域窗口取出，得到三维空谱数据立方体，并结合对应类别信息，构建训练集和测试集；
S2、以空谱卷积长短时记忆单元为基本结构，从两个角度分别构建两种轻量级张量空谱卷积长短时记忆单元；
S3、分别以两种张量空谱卷积长短时记忆单元为基本结构，并结合张量全连接层，设计两种轻量级深度张量空谱卷积长短时记忆网络；
S4、利用构建的训练集，对轻量级深度张量空谱卷积长短时记忆网络进行训练，得到高光谱图像空谱联合分类模型；
S5、利用训练好的高光谱图像空谱联合分类模型对测试集进行分类，预测对应分类结果。
2.根据权利要求1所述的一种轻量级张量卷积长短时记忆网络的高光谱分类方法，其特征在于，所述步骤S2中，利用张量链式分解，通过两个角度将空谱卷积长短时记忆单元扩展至张量域：1)将单元中每个门控结构的每个卷积运算分别扩展至张量域；2)将单元中当前时刻输入数据和前一时刻输出数据对应的4个卷积核分别作为一个整体，堆叠为两个大尺寸卷积核并分别扩展至张量域，实现空谱卷积长短时记忆单元中权重参数量的压缩。
3.根据权利要求1所述的一种轻量级张量卷积长短时记忆网络的高光谱分类方法，其特征在于，所述步骤S3中，以步骤S2设计的两种轻量级张量空谱卷积长短时记忆单元为基本结构搭建主干特征提取网络，结合张量全连接层搭建分类网络，设计两种轻量级深度张量空谱卷积长短时记忆网络。
4.根据权利要求1所述的一种轻量级张量卷积长短时记忆网络的高光谱分类方法，其特征在于，所述步骤S4中，从执行步骤S1得到的训练集，分别对两种轻量级深度张量空谱卷积长短时记忆网络进行端到端训练，更新网络参数至收敛，得到训练好的高光谱图像分类模型。
5.根据权利要求1所述的一种轻量级张量卷积长短时记忆网络的高光谱分类方法，其特征在于，所述步骤S5中，从执行步骤S1得到测试集，对执行步骤S4得到的高光谱图像空谱联合分类模型进行分类，预测对应分类结果，并验证所提出轻量级分类方法的可行性。
CN202311073728.2A 2023-08-24 2023-08-24 一种轻量级张量卷积长短时记忆网络的高光谱分类方法 Pending CN116958709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311073728.2A CN116958709A (zh) 2023-08-24 2023-08-24 一种轻量级张量卷积长短时记忆网络的高光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311073728.2A CN116958709A (zh) 2023-08-24 2023-08-24 一种轻量级张量卷积长短时记忆网络的高光谱分类方法

Publications (1)

Publication Number Publication Date
CN116958709A true CN116958709A (zh) 2023-10-27

Family

ID=88447624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311073728.2A Pending CN116958709A (zh) 2023-08-24 2023-08-24 一种轻量级张量卷积长短时记忆网络的高光谱分类方法

Country Status (1)

Country Link
CN (1) CN116958709A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274725A (zh) * 2023-11-23 2023-12-22 西南交通大学 基于张量ConvLSTM的高光谱图像分类方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274725A (zh) * 2023-11-23 2023-12-22 西南交通大学 基于张量ConvLSTM的高光谱图像分类方法和装置
CN117274725B (zh) * 2023-11-23 2024-04-12 西南交通大学 基于张量ConvLSTM的高光谱图像分类方法和装置

Similar Documents

Publication Publication Date Title
CN111882040B (zh) 基于通道数量搜索的卷积神经网络压缩方法
CN110222717B (zh) 图像处理方法和装置
CN110852227A (zh) 高光谱图像深度学习分类方法、装置、设备及存储介质
CN110728224A (zh) 一种基于注意力机制深度Contourlet网络的遥感图像分类方法
CN111507378A (zh) 训练图像处理模型的方法和装置
CN112446476A (zh) 神经网络模型压缩的方法、装置、存储介质和芯片
CN111814685B (zh) 基于双支路卷积自编码器的高光谱图像分类方法
CN111680176A (zh) 基于注意力与双向特征融合的遥感图像检索方法及系统
CN112308200A (zh) 神经网络的搜索方法及装置
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
CN114821164A (zh) 基于孪生网络的高光谱图像分类方法
CN113095409A (zh) 基于注意力机制和权值共享的高光谱图像分类方法
CN112215332A (zh) 神经网络结构的搜索方法、图像处理方法和装置
CN113011562A (zh) 一种模型训练方法及装置
He et al. Multi-spectral remote sensing land-cover classification based on deep learning methods
CN113344045B (zh) 一种结合hog特征提高sar船只分类精度的方法
CN111695673A (zh) 训练神经网络预测器的方法、图像处理方法及装置
CN110222718A (zh) 图像处理的方法及装置
CN113780584A (zh) 标签预测方法、设备、存储介质及程序产品
CN116958709A (zh) 一种轻量级张量卷积长短时记忆网络的高光谱分类方法
CN113536970A (zh) 一种视频分类模型的训练方法及相关装置
CN116977723A (zh) 基于空间-光谱混合自注意力机制的高光谱图像分类方法
CN114972885A (zh) 基于模型压缩的多模态遥感图像分类方法
CN117315381A (zh) 一种基于二阶有偏随机游走的高光谱图像分类方法
CN115272670A (zh) 一种基于掩膜注意交互的sar图像舰船实例分割方法

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