CN116994071A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116994071A CN116994071A CN202311242609.5A CN202311242609A CN116994071A CN 116994071 A CN116994071 A CN 116994071A CN 202311242609 A CN202311242609 A CN 202311242609A CN 116994071 A CN116994071 A CN 116994071A
- Authority
- CN
- China
- Prior art keywords
- matrix
- spectral
- layer
- point cloud
- initial
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 230000003595 spectral effect Effects 0.000 claims description 50
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/08—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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (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)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及基于自适应光谱残差的多光谱激光雷达点云分类方法，属多光谱激光雷达点云处理领域。本发明包括：步骤一：分别计算多光谱激光雷达点云数据的空间邻接矩阵和光谱邻接矩阵。步骤二：使用空间邻接矩阵和光谱邻接矩阵分别对多光谱激光雷达点云数据做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵。步骤三：设定网络的层数，在网络的每一层中，将上一层输出的中间层特征矩阵与初始光谱残差矩阵拼接后，使用空间邻接矩阵进行卷积，并在卷积后的矩阵上加入自适应光谱残差，得到该层的中间层特征矩阵。步骤四：多次迭代优化网络参数，得到多光谱激光雷达点云地物分类结果。本发明实现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自适应光谱残差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处理技术领域。
背景技术
在过去的二十年中，激光探测与测距（LiDAR）技术的应用极大地推动了遥感领域的发展。激光雷达已成为收集高质量数据的重要工具，为准确和精细的土地覆被分类提供了丰富详尽的数据基础。作为一种主动遥感方法，激光雷达在土地覆被分析方面具有明显的优势。它不受光照等环境因素的影响，能够持续收集有关土地覆被空间分布的数据。这使得激光雷达成为高分辨率和精确土地覆被分类的重要工具。多光谱激光雷达遥感数据解译是遥感领域的研究热点，同时也是国家基础地理信息建设的重要内容，它能够同步获取目标的三维空间分布信息和光谱信息，为遥感场景中地物的空间三维精细分类提供了数据基础和信息保障。目前在多光谱点云分类研究中存在两个主要的技术路线：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，但这可能会导致三维空间信息的损失。基于点的点云处理技术主要适用于单波段的激光雷达点云，无法很好地利用多光谱激光雷达点云数据的光谱信息。
近年来，随着深度学习领域中图理论的发展，利用图方法处理点云数据的应用逐渐兴起。图具有代表对象间复杂关系和相互依赖的自然优势。根据地理学的第一定律，地表覆盖物的特征之间的关系可以成为分类的重要基础，使得图方法在点云分类中具备潜力和优势。多光谱激光雷达的引入丰富了点云数据的信息维度。多光谱点云既保留了传统点云对土地覆被空间分布的表征能力，又为每个点采集了相应的光谱信息。然而，随着信息维度的增加，如何有效地联合利用多光谱点云丰富的空间光谱信息成为了新的挑战。目前的研究方法或使用空间距离构建图，或使用光谱相似性构建图，或简单地将两者的相似性等比例融合得到一个联合图，但这些方法没有充分考虑到多光谱激光雷达点云中点之间的空间关系和光谱关系各自的特性，因此分类性能较差。
发明内容
本发明提供了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，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以及分类性能较差的问题。
本发明的技术方案是：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，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邻接矩阵和光谱邻接矩阵；
步骤二：使用空间邻接矩阵和光谱邻接矩阵分别对多光谱激光雷达点云数据做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵；
步骤三：设定网络的层数，在网络的每一层中，将上一层输出的中间层特征矩阵与初始光谱残差矩阵拼接后，使用空间邻接矩阵进行卷积，并在卷积后的矩阵上加入自适应光谱残差，得到该层的中间层特征矩阵；
步骤四：多次迭代优化网络参数，最终得到多光谱激光雷达点云地物分类结果
进一步地，所述步骤一中，根据多光谱激光雷达点云数据，计算点之间的空间邻接
矩阵，和光谱邻接矩阵，首先计算空间距离矩阵，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，
a、b均∈（1,2,…,n），代表第a个点到第b个点
的光谱距离；空间邻接矩阵和光谱邻接矩阵采用如下方式进行计算：
空间邻接矩阵；
光谱邻接矩阵；
其中，是空间距离矩阵中的最大元素的
值，是光谱距离矩阵中最大元素的值。
所述步骤一中，分别计算多光谱激光雷达点云的空间邻接矩阵和光谱邻接矩阵，
从两个尺度分别度量多光谱激光雷达点云点之间的相似性。计算过程中使用减去中的每一个元素，从而得到空间邻接矩阵，使用减去中的每一个元素，从而得到光谱邻接矩阵，这样的计算方式只需要在简单的
欧式距离计算的基础上增加少量运算，即可保证邻接矩阵中相似度越强的点之间对应的值
越大。
进一步地，所述步骤二中，使用空间邻接矩阵和光谱邻接矩阵分别对
多光谱激光雷达点云数据做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵；其中和是两个可训练参
数，是初始空间卷积权重，是初始光谱卷积权重。
由于多光谱激光雷达点云点之间的空间相似性和光谱相似性存在较大差异，本方
法中分别使用空间邻接矩阵和光谱邻接矩阵对原始多光谱激光雷达点云进行卷积，获取空
间尺度上的隐式特征，和光谱尺度上的隐式特征。由于卷
积操作对应的权重矩阵和是可训练的，得到的初始特征矩阵和
初始光谱残差可以更好地表征多光谱激光雷达点云的空间特征和光谱特
征。
进一步地，所述步骤三中，设定网络层数，在网络的每一层中，将上一层输
出的中间层特征矩阵与初始光谱残差矩阵拼接，使用空间邻接矩阵进行卷积，
并在卷积后的矩阵上加入自适应光谱残差矩阵，此处，初始光谱残差矩阵与自适应光谱
残差均为，得到该层的中间层特征矩阵，其中是自适应
光谱残差权重，控制每一层中光谱残差的贡献程度，是非线性激活函数，W l 为第l层的可训
练参数；在网络第一层中，上一层的中间层特征由初始特征矩阵替换，即网
络第一层的中间层特征矩阵。这样在每一层的卷积中加入光
谱残差可以有效的抑制深度卷积带来的过平滑问题，使用空间邻接矩阵进行卷积，并且自
适应的向网络中输入光谱信息，使得网络可以挖掘多光谱激光雷达点云之间的空间关系和
光谱关系，实现更好的分类。
本发明的有益效果是：
1、本发明在每一层的卷积中加入光谱残差可以有效的抑制深度卷积带来的过平滑问题；
2、本发明使用空间邻接矩阵进行卷积，并且自适应的向网络中输入光谱信息，
使得网络可以挖掘多光谱激光雷达点云之间的空间关系和光谱关系，可以实现更好的分
类；
3、本发明使用空间邻接矩阵进行卷积，可以更好的学习到土地覆盖物的空间近邻关系，根据地理学第一定律，土地覆盖物及其属性在空间分布上互为相关，存在集聚、随机、规则分布；挖掘土地覆盖物空间关系更有利于土地覆盖物的分类；
4、本发明使用空间图对多光谱激光雷达点云进行图卷积，并在网络的每一层中加入光谱图卷积得来的初始光谱残差，自适应的在分类模型的迭代过程中学习多光谱激光雷达点云的空间-光谱关系，从而实现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。
附图说明
图1为本发明中的总流程图；
图2是本发明实施例原始数据、标签真值与分类结果的可视化结果图；
图3是本方法分类结果的混淆矩阵示意图。
具体实施方式
实施例1：图1为本发明中的总流程图，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，所述方法的具体步骤如下：
步骤S1：根据多光谱激光雷达点云数据，计算点之间的空间邻接矩阵，和光
谱邻接矩阵，首先计算空间距离矩阵，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，a、
b均∈（1,2,…,n），代表第a个点到第b个点的
光谱距离；空间邻接矩阵和光谱邻接矩阵采用如下方式进行计算：
空间邻接矩阵；
光谱邻接矩阵；
其中是空间距离矩阵中的最大元素的
值，是光谱距离矩阵中最大元素的值。
步骤S2：使用空间邻接矩阵
和光谱邻接矩阵分别对多光谱激
光雷达点云数据做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵其中和是两个可训练参
数，是初始空间卷积权重，是初始光谱卷积权重。
步骤S3：设定网络层数为64，在网络的每一层中，将上一层输出的中间层特
征矩阵与初始光谱残差矩阵拼接，使用空间邻接矩阵进行卷积，并在卷积后的
矩阵上加入自适应光谱残差矩阵，此处，初始光谱残差矩阵与自适应光谱残差均为，得
到该层的中间层特征矩阵，其中是自适应光谱残差权重，
控制每一层中光谱残差的贡献程度，是非线性激活函数，W l 为第l层的可训练参数。在网络
第一层中，上一层的中间层特征由初始特征矩阵替换，即网络第一层的中
间层特征矩阵。
步骤S4：多次迭代优化网络参数，最终得到多光谱激光雷达点云地物分类结果。
图1为本发明中的总流程图，i是逻辑循环中用以计数的整数变量，代表当前循环的次数，epoch则是用来定义循环次数的参数，i从1开始计数，当i小于等于设定好的epoch值，则进入循环中，对模型进行一次迭代训练，并将i的值加一以记录当前循环的次数。当i大于epoch的值时，不进入循环，直接跳出到输出分类结果的步骤。这样可以保证模型循环刚好为设定好的epoch值的次数。
L为逻辑循环中用以计数的整数变量，代表当前网络模型的层数，当L小于等于设定的层数时，进入循环，进行循环中的运算操作，并对L加1以记录当前的层数。当L大于层数时，跳出循环，进入下一个迭代训练中。
图2（a）为原始的多光谱激光雷达点云数据的可视化；图2（b）为多光谱激光雷达点云数据的标签真值可视化；图2（c）为使用本方法对多光谱激光雷达点云进行分类得到的预测结果的可视化。在分析方法性能时，对比图2（b）与（c），图2（c）越接近图2（b）即分类性能越好，从图2中可以看出，本发明的分类性能很好。
图3是本方法对多光谱激光雷达点云进行分类后得到的混淆矩阵，每一行代表该类别内样本被分类各类别的比例。以第一行为例，真实标签为裸地的样本中，72%被分为裸地，1%被分为建筑，0%被分为车辆，5%被分为草地，0%被分为电力线，21%被分为道路，0%被分为船只，0%被分为树木，0%被分为水体。图3可以用来观察本方法在对哪些类别分类时出现混淆，当评价方法性能时，图3中的值越集中于对角线则方法性能越好，从图3可以看出，本发明的方法性能好。
表1为本方法多光谱激光雷达点云分类结果
表1中使用了四个评价指标对本方法的分类性能进行评估，分别是Precision（精确率）、Recall（召回率）、F-score（F分数）和IoU（交并比），均为当前分类任务中公认且被广泛使用的评价指标，这些评价指标对应的值越高，则代表方法在对应类别上的分类性能越好，本发明达到了很好的分类性能。
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 (4)
1.一种基于自适应光谱残差的多光谱激光雷达点云分类方法，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邻接矩阵和光谱邻接矩阵；
步骤二：使用空间邻接矩阵和光谱邻接矩阵分别对多光谱激光雷达点云数据做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵；
步骤三：设定网络的层数，在网络的每一层中，将上一层输出的中间层特征矩阵与初始光谱残差矩阵拼接后，使用空间邻接矩阵进行卷积，并在卷积后的矩阵上加入自适应光谱残差，得到该层的中间层特征矩阵；
步骤四：多次迭代优化网络参数，最终得到多光谱激光雷达点云地物分类结果。
2.根据权利要求1所述的基于自适应光谱残差的多光谱激光雷达点云分类方法，其特征在于：所述步骤一中，根据多光谱激光雷达点云数据，计算点之间的空间邻接矩阵，和光谱邻接矩阵/>，首先计算空间距离矩阵/>，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，a、b均∈（1,2,…,n），/>代表第a个点到第b个点的光谱距离；空间邻接矩阵和光谱邻接矩阵采用如下方式进行计算：
空间邻接矩阵；
光谱邻接矩阵；
其中，是空间距离矩阵/>中的最大元素的值，是光谱距离矩阵/>中最大元素的值。
3.根据权利要求1所述的基于自适应光谱残差的多光谱激光雷达点云分类方法，其特征在于：所述步骤二中，使用空间邻接矩阵和光谱邻接矩阵/>分别对多光谱激光雷达点云数据/>做初始图卷积，得到初始特征矩阵和初始光谱残差矩阵/>；其中/>和/>是两个可训练参数，/>是初始空间卷积权重，/>是初始光谱卷积权重。
4.根据权利要求1所述的基于自适应光谱残差的多光谱激光雷达点云分类方法，其特征在于：所述步骤三中，设定网络层数，在网络的每一层中，将上一层输出的中间层特征矩阵/>与初始光谱残差矩阵/>拼接，使用空间邻接矩阵/>进行卷积，并在卷积后的矩阵上加入自适应光谱残差矩阵/>，此处，初始光谱残差矩阵与自适应光谱残差均为/>，得到该层的中间层特征矩阵/>，其中/>是自适应光谱残差权重，控制每一层中光谱残差的贡献程度，/>是非线性激活函数，W l 为第l层的可训练参数；在网络第一层中，上一层的中间层特征由初始特征矩阵/>替换，即网络第一层的中间层特征矩阵/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242609.5A CN116994071A (zh) | 2023-09-25 | 2023-09-25 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242609.5A CN116994071A (zh) | 2023-09-25 | 2023-09-25 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116994071A true CN116994071A (zh) | 2023-11-03 |
Family
ID=88534101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311242609.5A Pending CN116994071A (zh) | 2023-09-25 | 2023-09-25 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116994071A (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 |
|---|---|---|---|---|
| CN102184349A (zh) * | 2011-04-29 | 2011-09-14 | 河海大学 | 基于流形学习的基因表达数据的聚类系统及方法 |
| US20180122137A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Fast Resampling Method and Apparatus for Point Cloud Data |
| CN110348579A (zh) * | 2019-05-28 | 2019-10-18 | 北京理工大学 | 一种领域自适应迁移特征方法及系统 |
| US20210350620A1 (en) * | 2020-05-07 | 2021-11-11 | Imperial College Innovations Limited | Generative geometric neural networks for 3d shape modelling |
| CN114937173A (zh) * | 2022-05-17 | 2022-08-23 | 中国地质大学（武汉） | 一种基于动态图卷积网络的高光谱图像快速分类方法 |
| CN116152544A (zh) * | 2022-11-04 | 2023-05-23 | 天津理工大学 | 基于残差增强空谱融合超图神经网络的高光谱图像分类方法 |
| CN116403058A (zh) * | 2023-06-09 | 2023-07-07 | 昆明理工大学 | 一种遥感跨场景多光谱激光雷达点云分类方法 |
| WO2023135113A1 (en) * | 2022-01-12 | 2023-07-20 | Boehringer Ingelheim International Gmbh | Method for structure elucidation |
| US20230254230A1 (en) * | 2022-02-08 | 2023-08-10 | Isize Limited | Processing a time-varying signal |
| CN116704363A (zh) * | 2023-05-22 | 2023-09-05 | 中国地质大学（武汉） | 一种深度学习模型、土地覆盖分类方法及装置 |
| CN116758349A (zh) * | 2023-06-15 | 2023-09-15 | 哈尔滨理工大学 | 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 |
-
2023
- 2023-09-25 CN CN202311242609.5A patent/CN116994071A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184349A (zh) * | 2011-04-29 | 2011-09-14 | 河海大学 | 基于流形学习的基因表达数据的聚类系统及方法 |
| US20180122137A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Fast Resampling Method and Apparatus for Point Cloud Data |
| CN110348579A (zh) * | 2019-05-28 | 2019-10-18 | 北京理工大学 | 一种领域自适应迁移特征方法及系统 |
| US20210350620A1 (en) * | 2020-05-07 | 2021-11-11 | Imperial College Innovations Limited | Generative geometric neural networks for 3d shape modelling |
| WO2023135113A1 (en) * | 2022-01-12 | 2023-07-20 | Boehringer Ingelheim International Gmbh | Method for structure elucidation |
| US20230254230A1 (en) * | 2022-02-08 | 2023-08-10 | Isize Limited | Processing a time-varying signal |
| CN114937173A (zh) * | 2022-05-17 | 2022-08-23 | 中国地质大学（武汉） | 一种基于动态图卷积网络的高光谱图像快速分类方法 |
| CN116152544A (zh) * | 2022-11-04 | 2023-05-23 | 天津理工大学 | 基于残差增强空谱融合超图神经网络的高光谱图像分类方法 |
| CN116704363A (zh) * | 2023-05-22 | 2023-09-05 | 中国地质大学（武汉） | 一种深度学习模型、土地覆盖分类方法及装置 |
| CN116403058A (zh) * | 2023-06-09 | 2023-07-07 | 昆明理工大学 | 一种遥感跨场景多光谱激光雷达点云分类方法 |
| CN116758349A (zh) * | 2023-06-15 | 2023-09-15 | 哈尔滨理工大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| QINGWANG WANG 等: "Deep Spatial Graph Convolution Network with Adaptive Spectral Aggregated Residuals for Multispectral Point Cloud Classification", 《REMOTE SENSING》, vol. 15, no. 18, pages 1 - 21 * |
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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
| CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
| CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN108830870B (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| Ge | Sub-pixel land-cover mapping with improved fraction images upon multiple-point simulation | |
| CN112070078B (zh) | 基于深度学习的土地利用分类方法及系统 | |
| CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
| CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| 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 | |
| CN113011397A (zh) | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 | |
| Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
| CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| 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 | |
| CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
| CN113901348A (zh) | 一种基于数学模型的钉螺分布影响因素识别与预测方法 | |
| Chen et al. | Class-aware domain adaptation for coastal land cover mapping using optical remote sensing imagery | |
| CN110222742B (zh) | 基于分层多回波的点云分割方法、装置、存储介质及设备 | |
| CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
| CN114882292B (zh) | 基于跨样本关注机制图神经网络的遥感影像海洋目标识别方法 |
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 |