-
公开(公告)号：CN111914922A
公开(公告)日：2020-11-10
申请号：CN202010730151.8
申请日：2020-07-27
Applicant: 河海大学
Abstract: 本发明公开了一种基于局部卷积和空洞卷积的高光谱图像分类方法，首先对原始高光谱遥感影像进行PCA预处理进行降维；接着，通过局部卷积和空洞卷积的融合运算，提取丰富的空间光谱信息；然后，将通过局部卷积通道和空洞卷积通道汇合后的数据，进行标准卷积、平均池、退出和批量规范化；最后，将不同的卷积层收集到残差融合网络中，最后输入到Softmax层进行分类。本发明不仅提取细节的高光谱局部信息，而且通过扩展感知场来提取丰富的高光谱空间信息。
-
公开(公告)号：CN111914907B
公开(公告)日：2022-07-29
申请号：CN202010667743.X
申请日：2020-07-13
Applicant: 河海大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习空谱联合网络的高光谱图像分类方法，首先，对原始高光谱图像进行数据划分，而后利用少量标签数据训练基于深度学习空谱联合网络，输入的高光谱原始图像将会被带有注意力机制的双向长短时记忆模型和1D空洞卷积神经网络同时做光谱维特征提取处理，得到最终的光谱特征图；输入图像经过数据归一化处理，而后进行PCA降维，提取输入特征，并将输入特征送入多尺度多层次滤波器卷积网络中提取空间特征，再经由全局平均池化层处理，得到最终的空间特征图；最后结合已训练好的网络参数进行分类。本发明将光谱维特征与空间特征分开处理，能获得更为丰富有效的光谱特征图及更为丰富的特征表达，分类精度得到进一步提升。
-
公开(公告)号：CN110210412B
公开(公告)日：2022-08-26
申请号：CN201910482614.0
申请日：2019-06-04
Applicant: 河海大学
Abstract: 本发明公开了一种基于深度学习和多示例学习的高光谱影像分类方法，包括以下步骤：S1：对高光谱影像进行预处理，删去部分冗余的波段；S2：对步骤S1得到的预处理后的高光谱影像进行特征提取，得到示例特征；S3：将步骤S2得到的示例特征映射为图像包的示例特征；S4：对步骤S3得到的图像包的示例特征进行分类。本发明能够提高特征提取效率和分类精度。
-
公开(公告)号：CN111914907A
公开(公告)日：2020-11-10
申请号：CN202010667743.X
申请日：2020-07-13
Applicant: 河海大学
Abstract: 本发明公开了一种基于深度学习空谱联合网络的高光谱图像分类方法，首先，对原始高光谱图像进行数据划分，而后利用少量标签数据训练基于深度学习空谱联合网络，输入的高光谱原始图像将会被带有注意力机制的双向长短时记忆模型和1D空洞卷积神经网络同时做光谱维特征提取处理，得到最终的光谱特征图；输入图像经过数据归一化处理，而后进行PCA降维，提取输入特征，并将输入特征送入多尺度多层次滤波器卷积网络中提取空间特征，再经由全局平均池化层处理，得到最终的空间特征图；最后结合已训练好的网络参数进行分类。本发明将光谱维特征与空间特征分开处理，能获得更为丰富有效的光谱特征图及更为丰富的特征表达，分类精度得到进一步提升。
-
公开(公告)号：CN111914728B
公开(公告)日：2022-08-26
申请号：CN202010736807.7
申请日：2020-07-28
Applicant: 河海大学
Abstract: 本发明公开了一种高光谱遥感影像半监督分类方法、装置及存储介质，其中方法包括建立生成网络结构，所述生成网络结构包括用于生成伪光谱的生成器G；用于接收伪光谱以及真实无标签光谱，判断光谱真伪的判别器D；用于接收伪光谱以及真实有标签光谱，判断输入的类别的分类器C1；训练得到AC‑WGAN网络结构，生成与真实光谱数据相似分布的伪光谱扩充数据集，将扩充后的光谱数据集投入与分类器C1共享参数的分类器C2，获得分类结果。本发明对网络结构和损失函数均进行了改进，减小了数据分类工作和判别工作间的互相影响，并使生成的伪光谱数据的分布更加平滑，解决了因训练样本少导致的分类精度不高的问题。
-
Patent Agency Ranking
公开(公告)号：CN111914728A
公开(公告)日：2020-11-10
申请号：CN202010736807.7
申请日：2020-07-28
Applicant: 河海大学
Abstract: 本发明公开了一种高光谱遥感影像半监督分类方法、装置及存储介质，其中方法包括建立生成网络结构，所述生成网络结构包括用于生成伪光谱的生成器G；用于接收伪光谱以及真实无标签光谱，判断光谱真伪的判别器D；用于接收伪光谱以及真实有标签光谱，判断输入的类别的分类器C1；训练得到AC-WGAN网络结构，生成与真实光谱数据相似分布的伪光谱扩充数据集，将扩充后的光谱数据集投入与分类器C1共享参数的分类器C2，获得分类结果。本发明对网络结构和损失函数均进行了改进，减小了数据分类工作和判别工作间的互相影响，并使生成的伪光谱数据的分布更加平滑，解决了因训练样本少导致的分类精度不高的问题。
-
公开(公告)号：CN110569884A
公开(公告)日：2019-12-13
申请号：CN201910756938.9
申请日：2019-08-16
Applicant: 河海大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度学习和形态学的高光谱遥感影像分类方法，包括以下步骤：S1：采用三个结构元尺寸逐渐增大的平滑滤波器，将空间维上的每一波段的高光谱影像都进行多尺度平滑滤波，将空间信息融入光谱信息；S2：对步骤S1得到的高光谱影像进行顶帽变换，校正不均匀光照的影响；S3：对步骤S2得到的高光谱影像进行零均值化；S4：对步骤S3得到的高光谱影像进行维度转换；S5：对光谱特征进行提取；S6：对步骤S5得到的光谱特征进行分类。本发明能够在提高可靠性的同时简化分类过程。
-
公开(公告)号：CN111914922B
公开(公告)日：2022-07-29
申请号：CN202010730151.8
申请日：2020-07-27
Applicant: 河海大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于局部卷积和空洞卷积的高光谱图像分类方法，首先对原始高光谱遥感影像进行PCA预处理进行降维；接着，通过局部卷积和空洞卷积的融合运算，提取丰富的空间光谱信息；然后，将通过局部卷积通道和空洞卷积通道汇合后的数据，进行标准卷积、平均池、退出和批量规范化；最后，将不同的卷积层收集到残差融合网络中，最后输入到Softmax层进行分类。本发明不仅提取细节的高光谱局部信息，而且通过扩展感知场来提取丰富的高光谱空间信息。
-
公开(公告)号：CN111914696A
公开(公告)日：2020-11-10
申请号：CN202010685827.6
申请日：2020-07-16
Applicant: 河海大学
Abstract: 本发明公开了一种基于迁移学习的高光谱遥感影像分类方法，能够利用在非高光谱遥感数据上训练得到的卷积神经网络模型迁移到高光谱遥感影像特征的提取上来，这种迁移学习的方法改善了深度卷积神经网络在学习高光谱遥感影像少量标记样本时容易出现过拟合以及模型泛化能力较差的问题。
-
公开(公告)号：CN110210412A
公开(公告)日：2019-09-06
申请号：CN201910482614.0
申请日：2019-06-04
Applicant: 河海大学
Abstract: 本发明公开了一种基于深度学习和多示例学习的高光谱影像分类方法，包括以下步骤：S1：对高光谱影像进行预处理，删去部分冗余的波段；S2：对步骤S1得到的预处理后的高光谱影像进行特征提取，得到示例特征；S3：将步骤S2得到的示例特征映射为图像包的示例特征；S4：对步骤S3得到的图像包的示例特征进行分类。本发明能够提高特征提取效率和分类精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
