-
公开(公告)号：CN112836736B
公开(公告)日：2022-12-30
申请号：CN202110116366.5
申请日：2021-01-28
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/08
Abstract: 一种基于深度自编码器构图的高光谱图像半监督分类方法，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的分类效果不佳的技术问题。本发明方法的技术要点包括：构建稀疏自编码器用于获得高光谱图像数据的谱域特征；用基于自我表达模型的方法构造图结构；利用变分图自编码器(VGAE)优化图结构；对优化后的图结构的系数矩阵进行修正；利用高斯随机场和调和函数(GRF)实现分类。本发明充分考虑了高光谱数据间的相互联系，并且兼顾高光谱数据的谱域信息和空域信息，在小样本条件下能够使高光谱数据分类达到较高的准确率。
-
Patent Agency Ranking
公开(公告)号：CN112836736A
公开(公告)日：2021-05-25
申请号：CN202110116366.5
申请日：2021-01-28
Applicant: 哈尔滨理工大学
Abstract: 一种基于深度自编码器构图的高光谱图像半监督分类方法，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的分类效果不佳的技术问题。本发明方法的技术要点包括：构建稀疏自编码器用于获得高光谱图像数据的谱域特征；用基于自我表达模型的方法构造图结构；利用变分图自编码器(VGAE)优化图结构；对优化后的图结构的系数矩阵进行修正；利用高斯随机场和调和函数(GRF)实现分类。本发明充分考虑了高光谱数据间的相互联系，并且兼顾高光谱数据的谱域信息和空域信息，在小样本条件下能够使高光谱数据分类达到较高的准确率。
-
公开(公告)号：CN113723492B
公开(公告)日：2024-05-24
申请号：CN202110978295.X
申请日：2021-08-25
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/047 , G06N3/0464 , G06N3/0895
Abstract: 一种改进主动深度学习的高光谱图像半监督分类方法及装置，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括：利用有标签样本训练卷积神经网络，并利用卷积神经网络对无标签样本进行类别概率预测；根据预测的类别概率，利用主动学习策略计算获得其中信息量最大的无标签样本；引入随机多图算法对无标签样本进行标记，在伪标签候选池中寻找信息量大的样本作为新样本，将新样本加入训练集，对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能，可应用于标签样本稀缺的高光谱遥感图像分类之中。
-
公开(公告)号：CN113723492A
公开(公告)日：2021-11-30
申请号：CN202110978295.X
申请日：2021-08-25
Applicant: 哈尔滨理工大学
Abstract: 一种改进主动深度学习的高光谱图像半监督分类方法及装置，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括：利用有标签样本训练卷积神经网络，并利用卷积神经网络对无标签样本进行类别概率预测；根据预测的类别概率，利用主动学习策略计算获得其中信息量最大的无标签样本；引入随机多图算法对无标签样本进行标记，在伪标签候选池中寻找信息量大的样本作为新样本，将新样本加入训练集，对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能，可应用于标签样本稀缺的高光谱遥感图像分类之中。
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
