CN117830752A - 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 - Google Patents
一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 Download PDFInfo
- Publication number
- CN117830752A CN117830752A CN202410254107.2A CN202410254107A CN117830752A CN 117830752 A CN117830752 A CN 117830752A CN 202410254107 A CN202410254107 A CN 202410254107A CN 117830752 A CN117830752 A CN 117830752A
- Authority
- CN
- China
- Prior art keywords
- matrix
- spectrum
- space
- initial
- point cloud
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 102
- 230000003595 spectral effect Effects 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/0464—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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- 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
- G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching
-
- 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)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开一种用于多光谱点云分类的自适应空‑谱掩码图卷积方法,属于多光谱激光雷达点云技术领域。本发明所述方法为分别计算多光谱点云的空间邻接矩阵和光谱邻接矩阵,计算初始光谱残差矩阵,计算空间光谱邻接矩阵,在网络的每一层中使用空间光谱邻接矩阵对多光谱点云进行卷积,并加入初始空间残差和初始光谱残差,多次迭代后得到分类结果。本发明所述方法使用自适应空间光谱掩码结合空间邻接矩阵和光谱邻接矩阵,使得多光谱激光雷达点云的每个点之间自适应选取空间和光谱相似度的组合来表征两点之间的关系,并引入深度图卷积网络和初始空间‑光谱残差,增强网络的非线性拟合能力,从而实现对复杂遥感场景下多光谱雷达点云数据的精细分类。
Description
技术领域
本发明涉及一种用于多光谱点云分类的自适应空-谱掩码图卷积方法,属于多光谱激光雷达点云技术领域。
背景技术
在过去二十年中,激光探测与测距(LiDAR)技术的广泛应用极大地推动了遥感领域的发展;作为一种重要的数据收集工具,激光雷达为准确、精细的土地覆盖分类提供了丰富而详尽的数据基础;相比其他遥感方法,激光雷达在土地覆盖分析方面具有明显的优势;它不受光照等环境因素的影响,能够连续获取有关土地覆盖空间分布的数据,因此成为高分辨率和精确土地覆盖分类的关键工具;多光谱激光雷达遥感数据解译不仅是遥感领域的研究热点,也是国家基础地理信息建设的重要内容;通过同时获取目标的三维空间分布信息和光谱信息,多光谱激光雷达为遥感场景中的地物实现了精细的三维空间分类,并为此提供了数据基础和信息保障。
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盖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中丰富的空间光谱信息成为了一个新的挑战;目前的研究方法要么使用空间距离构建图,要么使用光谱相似性构建图,要么简单地将两者的相似性等比例融合得到一个联合图;然而,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;故如何充分高效地联合利用多光谱激光雷达点云点之间的空-谱关系,实现精细的土地覆盖物分类,是亟待解决的问题。
发明内容
本发明提供了一种用于多光谱点云分类的自适应空-谱掩码图卷积方法,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,无法有效对空间光谱信息进行高效的联合利用,使得构建的固定结构图模型存在错误连接或连接权重不合理的问题。
本发明的技术方案是:一种用用于多光谱点云分类的自适应空-谱掩码图卷积方法,所述方法的具体步骤如下:
(1)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。
(2)使用空间邻接矩阵对多光谱点云空间特征做初始图卷积得到初始空间残差,使用光谱邻接矩阵对多光谱点云光谱特征做初始图卷积,得到初始光谱残差矩阵。
(3)设置自适应空间光谱掩码,分别对空间邻接矩阵和光谱邻接矩阵的对应元素做自适应权重的加和,得到空间光谱邻接矩阵。
(4)在网络的每一层中使用空间光谱邻接矩阵对多光谱点云进行卷积,并加入初始空间残差和初始光谱残差,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。
优选的,本发明步骤(1)的具体过程为: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,其中/>代表第a个点到第b个点的空间相似度,/>代表第a个点到第b个点的光谱距离。
优选的,本发明步骤(2)的具体过程为:已知多光谱激光雷达点云数据,则其空间特征为/>,光谱特征为/>,使用空间邻接矩阵对多光谱激光雷达点云空间特征做初始图卷积得到初始空间残差矩阵/>。
使用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。
优选的,本发明步骤(3)的具体过程为:设置自适应空间光谱掩码,其维度与空间邻接矩阵/>、光谱邻接矩阵/>相同,且其中的每个元素的值在区间/>内。
分别对空间邻接矩阵和光谱邻接矩阵的每一个对应元素做自适应权重的加和,得
到空间光谱邻接矩阵,能更好的度量多光
谱激光雷达点云点之间的相似性,其中代表矩阵对位相乘的运算,即空间光谱邻接矩阵
为:;
优选的,本发明步骤(4)的具体过程为: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/>与初始空间残差矩阵和初始光谱残差矩阵/>拼接,其中,H是中间层特征矩阵,l表示层数,l-1表示上一层;使用空间光谱邻接矩阵进行卷积,并在卷积后的矩阵上加入初始空间残差矩阵/>和初始光谱残差矩阵/>,得到该层的中间层特征矩阵/>,其中/>是非线性激活函数,/>表示第l层的中间层可训练权重矩阵;在网络第一层中,上一层的中间层特征矩阵由初始特征矩阵/>替换/>是初始映射矩阵,将初始特征矩阵映射到网络中间层特征相同的维度,其中即。
本发明的有益效果是:
(1)在每一层的卷积中加入空间-光谱残差可以有效的抑制深度卷积带来的过平滑问题。
(2)使用自适应空间光谱掩码融合空间临街矩阵和光谱邻接矩阵,,可以使融合后的邻接矩阵的每一个元素分别自适应地决定空间相似度和光谱相似度的贡献,从而实现对多光谱激光雷达点云更好的表征。
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;
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明,但本发明的保护范围并不限于所述内容。
实施例1
如附图所示,一种用于多光谱激光雷达点云分类的自适应空-谱掩码深度图卷积方法,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,其中/>代表第a个点到第b个点的空间相似度,/>代表第a个点到第b个点的光谱距离;首先计算空间欧式矩阵/>,和光谱欧式距离矩阵,其中/>代表第a个点到第b个点的空间欧式距离,/>代表第a个点到第b个点的光谱欧式距离;于是空间邻接矩阵/>,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:已知多光谱激光雷达点云数据,则其空间特征为/>,光谱特征为/>,使用空间邻接矩阵/>对多光谱激光雷达点云空间特征/>做初始图卷积得到初始空间残差矩阵/>,使用光谱邻接矩阵/>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:设置自适应空间光谱掩码,其维度与空间邻接矩阵/>和光谱邻接矩阵相同,且其中的每个元素/>的值在区间/>内。分别对空间邻接矩阵和光谱邻接矩阵的每一个对应元素做自适应权重的加和,得到空间光谱邻接矩阵/>其中/>代表求矩阵的哈达玛积的乘法运算,即空间光谱邻接矩阵为:
。
步骤S4:设定网络层数,在实施例中我们将其设置为64。在网络的每一层中,将上一层输出的中间层特征矩阵/>与初始空间残差矩阵/>和初始光谱残差矩阵/>拼接,使用空间光谱邻接矩阵进行卷积,并在卷积后的矩阵上加入初始空间残差矩阵/>和初始光谱残差矩阵/>,得到该层的中间层特征矩阵/>,其中/>是非线性激活函数,在实施例中我们使用Relu作为激活函数;在网络第一层中,上一层的中间层特征矩阵由初始特征矩阵/>替换/>是初始映射矩阵,将初始特征矩阵映射到网络中间层特征相同的维度,其中即。
步骤S5: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。
下面在具体实施记载的基础上,通过实验的方式来说明本发明是切实可行的:
实验数据:实验采用的数据由Teledyne Optech 于 2014 年推出的首款机载多光谱激光雷达系统采集;该系统有三个工作通道,通道1的波长为1550纳米的中红外(MIR),前视角为3.5度;通道2的波长为 1064 纳米的近红外(NIR),前视角为0度。最后,通道3在绿色光谱中工作,波长为532纳米,前视角为7度;使用的数据场景是托伯莫里港(Harbor ofTobermory),该场景包含7,181,982个点。
实验内容:使用本发明提出的方法,对托伯莫里港(Harbor of Tobermory)的多光谱激光雷达点云数据进行分类,分类结果使用精确度(Precision),召回率(Recall),F分数(F-score)和交并比(IoU)评价性能,评价指标的具体计算公式如下:
其中TP是正阳性样本数量,FP是假阳性样本数量,FN是假阴性样本数量。
表1是实施例1多光谱激光雷达点云分类结果
对比实施例1
以GCN图卷积神经网络作为对比实施例,具体实施方法如下:
步骤1: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/>,将二者取均值得到邻接矩阵/>。
步骤2:使用邻接矩对多光谱激光雷达点云进行卷积,每一层的卷积公式为,共卷积2次,即网络的层数为2。
步骤3:多次循环迭代训练网络,得到分类结果。
表2对比实施例的多光谱激光雷达点云分类结果
通过对比可以看出在多数类别中,本发明的方法可以取的更高的指标,分类效果更好,尤其在车辆、电力线、树木、水体这些光谱信息复杂的目标中,本发明的方法能够更好的提取到其本质的特征,充分挖掘这些对象在空间中的特性,从而实现更好的分类效果。在每一层的卷积中加入空间-光谱残差可以有效的抑制深度卷积带来的过平滑问题,使用自适应空间光谱掩码融合空间临街矩阵和光谱邻接矩阵,可以使融合后的邻接矩阵的每一个元素分别自适应地决定空间相似度和光谱相似度的贡献,从而实现对多光谱激光雷达点云更好的表征。
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)
1.一种用于多光谱点云分类的自适应空-谱掩码图卷积方法,其特征在于:具体包括以下步骤:
(1)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;
(2)使用空间邻接矩阵对多光谱点云空间特征做初始图卷积得到初始空间残差,使用光谱邻接矩阵对多光谱点云光谱特征做初始图卷积,得到初始光谱残差矩阵;
(3)设置自适应空间光谱掩码,分别对空间邻接矩阵和光谱邻接矩阵的对应元素做自适应权重的加和,得到空间光谱邻接矩阵;
(4)在网络的每一层中使用空间光谱邻接矩阵对多光谱点云进行卷积,并加入初始空间残差和初始光谱残差,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所述用于多光谱点云分类的自适应空-谱掩码图卷积方法,其特征在于:步骤(1)中所述点之间的空间邻接矩阵为;
点之间的光谱邻接矩阵;
其中代表第a个点到第b个点的空间相似度,/>代表第a个点到第b个点的光谱相似度。
3.根据根据权利要求2所述用于多光谱点云分类的自适应空-谱掩码图卷积方法,其特征在于:步骤(2)的具体步骤为: 已知多光谱激光雷达点云数据,则其空间特征为/>,光谱特征为/>,使用空间邻接矩阵对多光谱激光雷达点云空间特征做初始图卷积得到初始空间残差矩阵/>;
使用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.根据根据权利要求3所述用于多光谱点云分类的自适应空-谱掩码图卷积方法,其特征在于:步骤(3)的具体过程为:设置自适应空间光谱掩码,其维度与空间邻接矩阵和光谱邻接矩阵相同,且其中的每个元素/>的值在区间/>内;分别对空间邻接矩阵和光谱邻接矩阵的每一个对应元素做自适应权重的加和,得到空间光谱邻接矩阵,其中/>代表求矩阵的哈达玛积的乘法运算,即空间光谱邻接矩阵为:
。
5.根据根据权利要求1所述用于多光谱点云分类的自适应空-谱掩码图卷积方法,其特征在于:步骤(4)的具体过程为: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/>与初始空间残差矩阵/>和初始光谱残差矩阵拼接,其中,H是中间层特征矩阵,l表示层数,l-1表示上一层;使用空间光谱邻接矩阵/>进行卷积,并在卷积后的矩阵上加入初始空间残差矩阵/>和初始光谱残差矩阵/>,得到该层的中间层特征矩阵/>,其中/>是非线性激活函数,/>表示第l层的中间层可训练权重矩阵;
在网络第一层中,上一层的中间层特征矩阵由初始特征矩阵替换,其中,/>是初始映射矩阵;将初始特征矩阵映射到网络中间层特征相同的维度,其中即。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254107.2A CN117830752B (zh) | 2024-03-06 | 2024-03-06 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254107.2A CN117830752B (zh) | 2024-03-06 | 2024-03-06 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117830752A true CN117830752A (zh) | 2024-04-05 |
CN117830752B CN117830752B (zh) | 2024-05-07 |
Family
ID=90513892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410254107.2A Active CN117830752B (zh) | 2024-03-06 | 2024-03-06 | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830752B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN114663777A (zh) * | 2022-03-07 | 2022-06-24 | 辽宁师范大学 | 基于时空联合图注意机制的高光谱影像变化检测方法 |
CN115376010A (zh) * | 2022-05-13 | 2022-11-22 | 北京化工大学 | 一种高光谱遥感影像分类方法 |
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 |
CN116740418A (zh) * | 2023-05-22 | 2023-09-12 | 广东工业大学 | 一种基于图重构网络的目标检测方法 |
CN116933141A (zh) * | 2023-09-15 | 2023-10-24 | 昆明理工大学 | 一种基于多核图学习的多光谱激光雷达点云分类方法 |
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 |
CN116994093A (zh) * | 2023-08-02 | 2023-11-03 | 哈尔滨理工大学 | 基于对偶图卷积神经网络的高光谱图像分类方法 |
CN117572457A (zh) * | 2024-01-16 | 2024-02-20 | 昆明理工大学 | 一种基于伪标签学习的跨场景多光谱点云分类方法 |
WO2024040828A1 (zh) * | 2022-08-26 | 2024-02-29 | 苏州大学 | 遥感高光谱图像与激光雷达图像融合分类方法及装置 |
-
2024
- 2024-03-06 CN CN202410254107.2A patent/CN117830752B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220066456A1 (en) * | 2016-02-29 | 2022-03-03 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
CN114663777A (zh) * | 2022-03-07 | 2022-06-24 | 辽宁师范大学 | 基于时空联合图注意机制的高光谱影像变化检测方法 |
CN115376010A (zh) * | 2022-05-13 | 2022-11-22 | 北京化工大学 | 一种高光谱遥感影像分类方法 |
WO2024040828A1 (zh) * | 2022-08-26 | 2024-02-29 | 苏州大学 | 遥感高光谱图像与激光雷达图像融合分类方法及装置 |
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 |
CN116740418A (zh) * | 2023-05-22 | 2023-09-12 | 广东工业大学 | 一种基于图重构网络的目标检测方法 |
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 |
CN116994093A (zh) * | 2023-08-02 | 2023-11-03 | 哈尔滨理工大学 | 基于对偶图卷积神经网络的高光谱图像分类方法 |
CN116933141A (zh) * | 2023-09-15 | 2023-10-24 | 昆明理工大学 | 一种基于多核图学习的多光谱激光雷达点云分类方法 |
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 |
CN117572457A (zh) * | 2024-01-16 | 2024-02-20 | 昆明理工大学 | 一种基于伪标签学习的跨场景多光谱点云分类方法 |
Non-Patent Citations (5)
Title |
---|
FANGMING GUO 等: "Dual Graph U-Nets for Hyperspectral Image Classification", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 14, 10 October 2021 (2021-10-10), pages 8160 - 8170, XP011875340, DOI: 10.1109/JSTARS.2021.3103744 * |
QINGWANG WANG等: "1.Deep Spatial Graph Convolution Network with Adaptive Spectral Aggregated Residuals for Multispectral Point Cloud Classification", 《REMOTE SENSING》, vol. 15, no. 18, 7 September 2023 (2023-09-07), pages 1 - 21 * |
XUQUAN WANG 等: "Learning spatial-spectral dual adaptive graph embedding for multispectral and hyperspectral image fusion", 《ELSEVIER》, 28 February 2024 (2024-02-28), pages 1 - 13 * |
宋海林 等: "基于 S 2 AF GCN的高光谱遥感图像分类模型", 《激光与光电子学进展》, vol. 60, no. 2, 26 March 2022 (2022-03-26), pages 1 - 13 * |
李铁: "卷积增强动态图卷积特征提取的高光谱图像分类", 《激光与光电子学进展》, 21 February 2024 (2024-02-21), pages 1 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
CN117830752B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555446B (zh) | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 | |
Wang et al. | Scene classification of high-resolution remotely sensed image based on ResNet | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
Huang et al. | Mapping and analyzing the local climate zones in China’s 32 major cities using Landsat imagery based on a novel convolutional neural network | |
CN113239830B (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
Su et al. | Combining pixel swapping and contouring methods to enhance super-resolution mapping | |
CN111553869B (zh) | 一种空基视角下的生成对抗网络图像补全方法 | |
CN110929643B (zh) | 一种基于多特征和孤立树的高光谱异常检测方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN107516061B (zh) | 一种影像分类方法和系统 | |
CN113312993A (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN107203779A (zh) | 基于空谱信息保持的高光谱降维方法 | |
CN110210300B (zh) | 一种融合多光谱图像空-谱信息的城建亚像元定位方法 | |
CN117726550B (zh) | 一种多尺度门控注意力遥感图像去雾方法和系统 | |
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 | |
CN117830752B (zh) | 一种用于多光谱点云分类的自适应空-谱掩码图卷积方法 | |
CN111695436B (zh) | 一种基于目标增强的高空间分辨率遥感图像场景分类方法 | |
Hao et al. | A subpixel mapping method for urban land use by reducing shadow effects | |
Gui et al. | Woodland detection using most-sure strategy to fuse segmentation results of deep learning | |
He et al. | An Unsupervised Dehazing Network with Hybrid Prior Constraints for Hyperspectral Image | |
CN113902947A (zh) | 一种自然图像的对空目标红外图像生成式对抗网络构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |