-
公开(公告)号：CN107832797A
公开(公告)日：2018-03-23
申请号：CN201711144061.5
申请日：2017-11-17
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度融合残差网的高光谱图像分类方法，克服了现有技术人为选择多种弱分类器和集成方法设计的复杂耗时、计算过程繁琐并且半监督训练方式导致的分类结果存在同物异谱及异物同谱现象的缺点。本发明实现的步骤是：(1)输入多光谱图像；(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；(3)获得多光谱图像矩阵；(4)获取数据集；(5)搭建深度融合残差网；(6)训练深度融合残差网；(7)对测试数据集进行分类。本发明具有完备学习多光谱图像特征，过程更加简洁明了，使得分类效果更精确的优点，可用于高光谱图像的分类。
-
公开(公告)号：CN107358192A
公开(公告)日：2017-11-17
申请号：CN201710551722.X
申请日：2017-07-07
Applicant: 西安电子科技大学
CPC classification number: G06K9/0063 , G06K9/6256 , G06N3/08
Abstract: 本发明公开了一种基于多尺度深度残差网的极化SAR影像分类方法，主要解决现有的图像特征损失强烈使得分类精度低的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，得到奇次散射、偶次散射、体散射系数，用这3个系数作为极化SAR图像的3维图像特征，构成基于像素点的特征矩阵F；本发明在深度残差网中加入多尺度Curvelet变换层更好的提取了极化SAR图像的尺度、位置和角度信息，更好的保留了图像中存在的边缘，有效去除极化SAR图像中的噪声，结合深度残差网可以完备学习特征的特性，增强了模型的泛化能力，使得在训练样本较少的情况下仍可以达到很高的分类精度，同时在视觉效果上也取得了更好的效果。
-
公开(公告)号：CN107239799A
公开(公告)日：2017-10-10
申请号：CN201710385663.3
申请日：2017-05-26
Applicant: 西安电子科技大学
CPC classification number: G06K9/6272 , G06K9/66 , G06N3/08
Abstract: 本发明公开了一种基于Pauli分解和深度残差网的极化SAR影像分类方法，主要解决现有技术分类精度低，神经网络无法增加到更深层的问题，其方案是输入待分类的极化SAR图像，对极化散射矩阵S进行Pauli分解，构成基于像素点的特征矩阵F；用特征矩阵F中每个元素取周围28×28的块代表原来的元素值，构成基于图像块的特征矩阵；构造训练数据集D；对Pauli分解之后的图像进行超像素处理，构造数据集T1；构造基于深度残差网的分类模型；用训练数据集对分类模型进行训练，得到训练好的模型；将数据集T1送入训练好的模型进行分类并得到整张图的预测类标矩阵T2；T2矩阵中除去训练数据集中的像素点，然后计算准确率。本发明采用深度残差网加深网络层数，并且采用超像素对图像进行处理，有效的学习了图像特征，提高了极化SAR图像的分类精度，可用于目标识别。
-
公开(公告)号：CN107832797B
公开(公告)日：2020-04-07
申请号：CN201711144061.5
申请日：2017-11-17
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度融合残差网的高光谱图像分类方法，克服了现有技术人为选择多种弱分类器和集成方法设计的复杂耗时、计算过程繁琐并且半监督训练方式导致的分类结果存在同物异谱及异物同谱现象的缺点。本发明实现的步骤是：(1)输入多光谱图像；(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；(3)获得多光谱图像矩阵；(4)获取数据集；(5)搭建深度融合残差网；(6)训练深度融合残差网；(7)对测试数据集进行分类。本发明具有完备学习多光谱图像特征，过程更加简洁明了，使得分类效果更精确的优点，可用于高光谱图像的分类。
-
-
-
Search Results
4
records
(took 0.027 seconds)
