公开(公告)号：CN110532914A

公开(公告)日：2019-12-03

申请号：CN201910768818.0

申请日：2019-08-20

Applicant: 西安电子科技大学

Inventor： 王爽 ,  侯彪 ,  何佩 ,  周立刚 ,  曹思宇 ,  赵栋 ,  焦李成

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T7/11 ,  G06T7/13

Abstract: 本发明公开了一种基于精细特征学习的建筑物检测方法。其实现步骤为：构造稠密卷积网络，生成训练样本集和测试样本集，对样本集中的图像进行预处理，利用稠密卷积块提取光学遥感图像的精细特征图，使用自顶向下的方法融合特征图，用融合边缘的深监督损失训练稠密卷积网络，最后将测试样本送入训练好的稠密卷积网络得到最终检测结果。本发明利用构建的稠密卷积网络提取光学遥感图像的精细特征图，利用融合边缘的深监督损失训练稠密卷积网络，在保证建筑物特征丰富性的条件下减少了内存占用量，提高了建筑物检测准确率。

公开(公告)号：CN109034224A

公开(公告)日：2018-12-18

申请号：CN201810777205.9

申请日：2018-07-16

Applicant: 西安电子科技大学

Inventor： 王爽 ,  焦李成 ,  张松 ,  方帅 ,  权豆 ,  周立刚 ,  梁雪峰

IPC: G06K9/62 ,  G06N3/04

CPC classification number: G06K9/627 ,  G06K9/6256 ,  G06N3/0454

Abstract: 本发明提供的基于双分支网络的高光谱分类方法，首先，通过数据重采样的方法，既保证训练过程中的每次迭代时输入数据各类别样本数量不是恒定相等的，又能保证在统计学上参与训练的每类样本是均衡的。这样不仅有效缓解了网络学习中的样本不平衡问题，同时保持了数据的多样性；为了提取数据多尺度特征，本发明使用了双分支的网络结构，通过三种训练策略，进行半监督学习，这样不仅扩充了训练集，而且通过集成学习策略，相比于其他分类方法，极大程度的提高了分类精度。本发明提出的基于双分支网络的高光谱分类方法不仅在性能上优于其他方法，而且在训练效率上也优于其他方法。

公开(公告)号：CN109034224B

公开(公告)日：2022-03-11

申请号：CN201810777205.9

申请日：2018-07-16

Applicant: 西安电子科技大学

Inventor： 王爽 ,  焦李成 ,  张松 ,  方帅 ,  权豆 ,  周立刚 ,  梁雪峰

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

Abstract: 本发明提供的基于双分支网络的高光谱分类方法，首先，通过数据重采样的方法，既保证训练过程中的每次迭代时输入数据各类别样本数量不是恒定相等的，又能保证在统计学上参与训练的每类样本是均衡的。这样不仅有效缓解了网络学习中的样本不平衡问题，同时保持了数据的多样性；为了提取数据多尺度特征，本发明使用了双分支的网络结构，通过三种训练策略，进行半监督学习，这样不仅扩充了训练集，而且通过集成学习策略，相比于其他分类方法，极大程度的提高了分类精度。本发明提出的基于双分支网络的高光谱分类方法不仅在性能上优于其他方法，而且在训练效率上也优于其他方法。