-
公开(公告)号：CN111695469B
公开(公告)日：2023-08-11
申请号：CN202010486459.2
申请日：2020-06-01
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/58 , G06V20/10 , G06V10/80 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。
-
公开(公告)号：CN114037842A
公开(公告)日：2022-02-11
申请号：CN202111305120.9
申请日：2021-11-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于匹配追踪生成对抗网的高光谱异常检测方法，主要解决现有技术中提取特征信息能力不足、缺乏先验信息，导致检测效果差的问题。其实现方案为：对高光谱图像使用KRX算法计算其异常概率矩阵，根据背景阈值对异常概率矩阵置1置0得到假定标签；提取标签为0的光谱向量组成背景光谱向量矩阵；根据光谱向量矩阵制作训练样本数据集，输入到深度卷积生成对抗网，得到伪高光谱图像数据集；将高光谱图像与伪高光谱图像的光谱向量作差得到残差图像，再对残差图像进行匹配追踪，计算其异常概率值，得到异常检测结果。本发明提高了检测指标AUC的平均值，具有更好的检测效果，可用于矿产勘探、环境监测、灾害预测、精准农业和国防。
-
公开(公告)号：CN117036373A
公开(公告)日：2023-11-10
申请号：CN202311039413.6
申请日：2023-08-17
Applicant: 西安电子科技大学
IPC: G06T7/10 , G06V10/764 , G06V10/80
Abstract: 基于圆函数双线性正则编解码网络的大规模点云分割方法，包括以下步骤；S1、获取待测点云，对点云进行预处理；S2、搭建点云分割网络模型；S3、将预处理完成的点云送入编码器，将编码器输出特征送入圆函数双线性正则细化模块进行细化，将细化特征送入解码器进行上采样及拼接，最终特征经预测头输出分割预测；S4、构建变权交叉熵损失函数，预测值与真值计算损失，对网络进行优化更新，得到训练权重，利用测试集对训练好的网络进行测试，输出测试点云分割结果，利用映射.pkl文件，将点云预测结果映射至原始点云场景，输出最终测试分割结果。本发明充分利用点云局部邻域特征对点云特征进行细化，利用变权交叉熵损失函数提升样本数量少的类别预测精度。
-
公开(公告)号：CN111695467A
公开(公告)日：2020-09-22
申请号：CN202010485713.7
申请日：2020-06-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于超像素样本扩充的空谱全卷积高光谱图像分类方法，输入高光谱图像；获取训练集与测试集；对高光谱图像进行主成分分析并降维；对降维结果进行熵率分割；生成伪标签样本；更新训练集；对高光谱图像进行数据预处理；输入卷积神经网络；训练卷积神经网络，对高光谱图像进行分类；重复以上操作并投票表决；输出高光谱分类结果。本发明利用熵率超像素分割结果进行了伪标签样本的扩充，充分利用了高光谱图像的先验特征，增加样本数量，缓解了网络过拟合、网络收敛速度慢的问题，提高了有标记样本稀缺情况下高光谱图像分类的准确性。
-
公开(公告)号：CN113780146B
公开(公告)日：2024-05-10
申请号：CN202111039219.9
申请日：2021-09-06
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于轻量化神经架构搜索的高光谱图像分类方法及系统，利用模块化的轻量化候选操作搭建超网，通过加权混合操作将边上离散的候选操作连续化，以梯度优化的方式对超网进行双层优化，同时通过子网权重共享加快模型搜索速度。随后，在优化过程中利用贪心决策选择一条未离散的边，保留边上架构参数最大的操作，删除该边中的其余操作，剩下的网络构成新的超网，利用上述方式迭代优化新的超网，并随着边的不断离散与边上操作的删除，使超网不断简化，最终得到用于高光谱图像分类的轻量化深度神经网络架构。本发明充分利用了轻量化模块构建超网，实现基于顺序贪心的神经架构搜索方法，能够自动生成参数量更少、分类精度更高的网络架构。
-
Patent Agency Ranking
公开(公告)号：CN111695469A
公开(公告)日：2020-09-22
申请号：CN202010486459.2
申请日：2020-06-01
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，处理高光谱图像，并进行归一化处理获得样本集，对样本集进行分类，完成数据预处理；设置光谱信息提取模块、空间信息提取模块和多层特征融合模块，完成训练模型构建；使用构建的训练模型对预处理的卷积神经网络进行训练，得到最终训练结果；将卷积神经网络运行重复N次，通过N次测试结果进行投票表决得到最终的分类结果，进行高光谱图像分类；根据高光谱图像分类结果输出分类图像。本发明采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。
-
公开(公告)号：CN114037842B
公开(公告)日：2024-08-23
申请号：CN202111305120.9
申请日：2021-11-05
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/094 , G06V20/10 , G06N3/084
Abstract: 本发明公开了一种基于匹配追踪生成对抗网的高光谱异常检测方法，主要解决现有技术中提取特征信息能力不足、缺乏先验信息，导致检测效果差的问题。其实现方案为：对高光谱图像使用KRX算法计算其异常概率矩阵，根据背景阈值对异常概率矩阵置1置0得到假定标签；提取标签为0的光谱向量组成背景光谱向量矩阵；根据光谱向量矩阵制作训练样本数据集，输入到深度卷积生成对抗网，得到伪高光谱图像数据集；将高光谱图像与伪高光谱图像的光谱向量作差得到残差图像，再对残差图像进行匹配追踪，计算其异常概率值，得到异常检测结果。本发明提高了检测指标AUC的平均值，具有更好的检测效果，可用于矿产勘探、环境监测、灾害预测、精准农业和国防。
-
公开(公告)号：CN111860124B
公开(公告)日：2024-04-02
申请号：CN202010500467.8
申请日：2020-06-04
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V20/10 , G06V10/80 , G06V10/44 , G06V10/52 , G06V10/58 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/048
Abstract: 本发明公开了一种基于空谱胶囊生成对抗网络模型的遥感图像分类方法。该方法的主要步骤为：1、创建生成对抗网络模型；2、确定样本集；3、采用步骤2的样本集训练生成对抗网络模型；4、模型准确性验证；5、向训练后的生成对抗网络模型中输入待分类高光谱遥感图像，获得分类结果。本方法充分利用了光谱信息和空间信息，能够准确建模样本相对位置等细节特征，使得分类精度以及分类效率低大大提升。
-
公开(公告)号：CN113780146A
公开(公告)日：2021-12-10
申请号：CN202111039219.9
申请日：2021-09-06
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于轻量化神经架构搜索的高光谱图像分类方法及系统，利用模块化的轻量化候选操作搭建超网，通过加权混合操作将边上离散的候选操作连续化，以梯度优化的方式对超网进行双层优化，同时通过子网权重共享加快模型搜索速度。随后，在优化过程中利用贪心决策选择一条未离散的边，保留边上架构参数最大的操作，删除该边中的其余操作，剩下的网络构成新的超网，利用上述方式迭代优化新的超网，并随着边的不断离散与边上操作的删除，使超网不断简化，最终得到用于高光谱图像分类的轻量化深度神经网络架构。本发明充分利用了轻量化模块构建超网，实现基于顺序贪心的神经架构搜索方法，能够自动生成参数量更少、分类精度更高的网络架构。
-
公开(公告)号：CN111860124A
公开(公告)日：2020-10-30
申请号：CN202010500467.8
申请日：2020-06-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于空谱胶囊生成对抗网络模型的遥感图像分类方法。该方法的主要步骤为：1、创建生成对抗网络模型；2、确定样本集；3、采用步骤2的样本集训练生成对抗网络模型；4、模型准确性验证；5、向训练后的生成对抗网络模型中输入待分类高光谱遥感图像，获得分类结果。本方法充分利用了光谱信息和空间信息，能够准确建模样本相对位置等细节特征，使得分类精度以及分类效率低大大提升。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.022 seconds)
