-
公开(公告)号：CN116206149A
公开(公告)日：2023-06-02
申请号：CN202310009623.4
申请日：2023-01-04
Applicant: 贵州大学
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06V10/26 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于GCN与CNN新型网络的小样本HSI分类方法，包括以下步骤：S1，对HSI数据进行线性投影映射和像素特征到超像素特征的转换；S2，对形成的超像素特征送入到图编码器中，然后进行HSI图数据形式的特征提取，再经过解码器解码出图数据特征；S3，将图数据特征进行非线性特征处理，得到特征一；S4，对HSI数据通过光谱清洗卷积进行降噪，同时对高维的HSI数据进行降维处理，生成降维特征图；S5，将降维特征图通过注意力机制和信息交互处理，之后再经过一层注意力机制与空间特征卷积，得到特征二；S6，将步骤S3得到的特征一与步骤S5得到的特征二进行ConCat多特征融合，输出分类结果。本发明解决了小样本分类、噪音大、光谱空间语义位置信息丢失等问题。
-
公开(公告)号：CN118212538B
公开(公告)日：2024-07-16
申请号：CN202410630380.0
申请日：2024-05-21
Applicant: 贵州大学
Abstract: 本发明公开了一种基于长程依赖性特征融合转换器的高光谱图像分类方法，包括以下步骤：步骤1：将输入的高光谱图像（HSI）数据分割成补丁；步骤2：将补丁输入动态上下文特征提取块（简称分支1），经过动态依赖卷积模块(DDC)和多尺度增强融合模块(MsEF)两个组件的操作，提取高光谱图像（HSI）的多尺度上下文关系特征；步骤3：将补丁输入局部‑全局特征提取块（简称分支2），经过数据展平和投影处理后，输入局部‑全局感知变换器编码器提取具有长距离依赖性的局部‑全局特征；步骤4：将步骤2中的分支1和步骤3中的分支2经过处理后的数据进行特征融合，并且将融合结果输入到卷积层，最后得到输出结果。
-
公开(公告)号：CN117218407A
公开(公告)日：2023-12-12
申请号：CN202310976807.8
申请日：2023-08-04
Applicant: 贵州大学
IPC: G06V10/764 , G06V10/40 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于多尺度注意力的轻量级高光谱图像分类方法，包括：步骤1：首先将HSI数据输入到卷积层中进行预处理，通过预处理能对输入的HIS数据进行初步的特征提取以及降维；步骤2：将预处理后的数据输入第一分支机构；步骤3：将预处理后的数据输入第二分支机构；步骤4：将步骤1、步骤2以及步骤3的输出进行特征融合并且将融合结果输入到动态分组卷积层；本发明有效地考虑了地物空间尺度的变化、充分利用了光谱空间特征，减轻了光谱差异和空间上下文信息不足，并提高了分类精确性。
-
公开(公告)号：CN118212538A
公开(公告)日：2024-06-18
申请号：CN202410630380.0
申请日：2024-05-21
Applicant: 贵州大学
Abstract: 本发明公开了一种基于长程依赖性特征融合转换器的高光谱图像分类方法，包括以下步骤：步骤1：将输入的高光谱图像（HSI）数据分割成补丁；步骤2：将补丁输入动态上下文特征提取块（简称分支1），经过动态依赖卷积模块(DDC)和多尺度增强融合模块(MsEF)两个组件的操作，提取高光谱图像（HSI）的多尺度上下文关系特征；步骤3：将补丁输入局部‑全局特征提取块（简称分支2），经过数据展平和投影处理后，输入局部‑全局感知变换器编码器提取具有长距离依赖性的局部‑全局特征；步骤4：将步骤2中的分支1和步骤3中的分支2经过处理后的数据进行特征融合，并且将融合结果输入到卷积层，最后得到输出结果。
-
-
-
Search Results
4
records
(took 0.012 seconds)
