公开(公告)号：CN118506065A

公开(公告)日：2024-08-16

申请号：CN202410570020.6

申请日：2024-05-09

Applicant: 西安电子科技大学

Inventor： 席博博 ,  张韵 ,  王一鸣 ,  徐海涛 ,  薛长斌 ,  李云松

IPC: G06V10/764 ,  G06V10/58 ,  G06V10/44 ,  G06V10/80 ,  G06V10/74 ,  G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明涉及了图像处理技术领域，具体涉及了基于多层级注意力的小样本高光谱图像分类方法及系统。该方法将待分类的高光谱图像输入至构建好的分类模型中，基于原型与待分类的高光谱图像的特征的距离，进行分类，分类模型采用基于注意力机制的深度学习网络模型，包括串接的特征提取网络模块和数据交互模块，特征提取网络模块用于进行通道校准，数据交互模块用于根据校准后的数据进行相关性计算，得到特征向量，分类模型为利用源域数据集和目标域数据集中的数据训练得到的模型，本方法能够提高分类精度。

公开(公告)号：CN118334420A

公开(公告)日：2024-07-12

申请号：CN202410425174.6

申请日：2024-04-10

Applicant: 西安电子科技大学

Inventor： 席博博 ,  张韵 ,  蔡明硕 ,  张文捷 ,  李娇娇 ,  王正珏 ,  李云松

IPC: G06V10/764 ,  G06V10/77 ,  G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明公开了一种多层级的跨场景高光谱图像分类方法，主要解决现有方法在跨场景高光谱分类任务中分类精度不佳,可解释性差的问题。实现方案为：利用获取到的高光谱目标域数据集对源域数据集进行图像级域自适应；利用源域和目标域的数据集划分训练集和测试集并对训练集样本进行数据增强；构建用于提取域不变特征的跨场景高光谱图像分类网络及其损失函数；将训练集样本输入到跨场景高光谱图像分类网络中，计算损失函数梯度，根据梯度下降的方向进行正向传播更新网络参数直至达到最大迭代次数；将测试集样本输入到训练好的分类网络得到分类结果。本发明能提高跨场景高光谱图像分类的精度，增强鲁棒性，可用于矿产勘测、生态监测、智慧农业及医疗诊断。

公开(公告)号：CN118334448A

公开(公告)日：2024-07-12

申请号：CN202410570013.6

申请日：2024-05-09

Applicant: 西安电子科技大学

Inventor： 席博博 ,  张韵 ,  赵勋峰 ,  李娇娇 ,  薛长斌 ,  李云松

IPC: G06V10/764 ,  G06V10/58 ,  G06V10/44 ,  G06V10/74 ,  G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V20/10 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明涉及了遥感图像处理技术领域，具体涉及了一种基于传导式学习的小样本高光谱图像分类方法及系统，构建高光谱图像分类模型，利用源域数据集和目标域数据集中的数据对该高光谱图像分类模型进行训练，将待分类的高光谱图像输入到训练好的高光谱图像分类模型中，通过迭代的方式不断优化特征间的关系并生成各类别特征的原型，根据各类别特征对应的原型和待分类高光谱图像数据的特征的距离度量进行分类，根据分类结果得到高光谱图像分类结果。本方法对于小样本的高光谱图像分类更加准确。

公开(公告)号：CN119229274A

公开(公告)日：2024-12-31

申请号：CN202411065656.1

申请日：2024-08-05

Applicant: 西安电子科技大学

Inventor： 席博博 ,  张韵 ,  郑铁 ,  李娇娇 ,  李云松 ,  薛长斌

IPC: G06V20/10 ,  G06V10/58 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/80 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/088 ,  G06N3/096

Abstract: 本发明实施例公开了一种小样本高光谱图像分类方法，包括：获取源域高光谱图像、目标域高光谱图像，定义目标域高光谱图像中未标记数据为XU，定义目标域高光谱图像和源域高光谱图像的标记数据为XL；根据光谱特征偏移策略对目标域高光谱图像未标记数据XU进行增强，确定样本对数据；确定样本对数据的第一特征向量，并进一步确定无监督对比损失函数Luc，根据标记数据XL确定监督对比损失函数Lsc和分类损失函数Lcls，根据无监督对比损失函数Luc、监督对比损失函数Lsc和分类损失函数Lcls构建最终损失函数；根据源域高光谱图像、目标域高光谱图像训练图像分类模型，直至达到最大迭代次数；将测试样本输入训练后的图像分类模型，得到分类结果。