公开(公告)号：CN110443296B

公开(公告)日：2022-05-06

申请号：CN201910696238.5

申请日：2019-07-30

Applicant: 西北工业大学

Inventor： 魏巍 ,  李宇 ,  张锦阳 ,  王聪 ,  张艳宁

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种面向高光谱图像分类的数据自适应激活函数学习方法，用于解决现有高光谱图像分类方法准确率差的技术问题。技术方案是利用高光谱数据的光谱信息和空间信息，旨在学习基于特定数据的激活函数来进行高光谱图像分类。通过对常见的激活函数进行分析，发现激活函数可以用激活映射与输入特征相乘的方式来表示。因此，本发明通过构建一个两层的神经网络来学习激活映射。神经网络从通道和光谱两方面进行学习，分别构建了符合二者特性的激活函数，从而提高了图像分类准确率。经测试，在Indian Pines数据集上，基于通道和光谱的激活函数的分类准确率分别平均提高2.17％和4.03％。

公开(公告)号：CN111401426B

公开(公告)日：2022-04-08

申请号：CN202010167527.9

申请日：2020-03-11

Applicant: 西北工业大学

Inventor： 魏巍 ,  李宇 ,  张磊

IPC: G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于伪标签学习的小样本高光谱图像分类方法。首先，以高光谱像素点为中心对其周围像素采样，生成高光谱样本，以少量带标签样本构建小样本数据集，并利用其为未标记样本分配软‑伪标签，从而得到辅助数据集；然后，使用小样本数据集和辅助数据集共同训练由共享的特征提取器和两个不同的分类器构成的二分支深度神经网络；最后，利用训练好的网络对测试数据预测标签，实现分类处理。本发明方法通过有效地利用未标记样本的潜在信息，可以提高小样本高光谱图像分类的准确率。

公开(公告)号：CN111401426A

公开(公告)日：2020-07-10

申请号：CN202010167527.9

申请日：2020-03-11

Applicant: 西北工业大学

Inventor： 魏巍 ,  李宇 ,  张磊

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于伪标签学习的小样本高光谱图像分类方法。首先，以高光谱像素点为中心对其周围像素采样，生成高光谱样本，以少量带标签样本构建小样本数据集，并利用其为未标记样本分配软-伪标签，从而得到辅助数据集；然后，使用小样本数据集和辅助数据集共同训练由共享的特征提取器和两个不同的分类器构成的二分支深度神经网络；最后，利用训练好的网络对测试数据预测标签，实现分类处理。本发明方法通过有效地利用未标记样本的潜在信息，可以提高小样本高光谱图像分类的准确率。

公开(公告)号：CN110443296A

公开(公告)日：2019-11-12

申请号：CN201910696238.5

申请日：2019-07-30

Applicant: 西北工业大学

Inventor： 魏巍 ,  李宇 ,  张锦阳 ,  王聪 ,  张艳宁

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种面向高光谱图像分类的数据自适应激活函数学习方法，用于解决现有高光谱图像分类方法准确率差的技术问题。技术方案是利用高光谱数据的光谱信息和空间信息，旨在学习基于特定数据的激活函数来进行高光谱图像分类。通过对常见的激活函数进行分析，发现激活函数可以用激活映射与输入特征相乘的方式来表示。因此，本发明通过构建一个两层的神经网络来学习激活映射。神经网络从通道和光谱两方面进行学习，分别构建了符合二者特性的激活函数，从而提高了图像分类准确率。经测试，在Indian Pines数据集上，基于通道和光谱的激活函数的分类准确率分别平均提高2.17％和4.03％。