-
公开(公告)号：CN107748895B
公开(公告)日：2021-06-25
申请号：CN201711028874.8
申请日：2017-10-29
Applicant: 北京工业大学
Abstract: 本发明公开了基于DCT‑CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT‑CNN网络模型；将训练集的DCT系数输入到改进的DCT‑CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。
-
公开(公告)号：CN107748895A
公开(公告)日：2018-03-02
申请号：CN201711028874.8
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/6256 , G06K9/6267 , G06N3/0454
Abstract: 本发明公开了基于DCT-CNN模型的无人机着陆地貌图像分类方法，包括以下步骤：获取无人机着陆地貌图像的训练图像集和测试图像集；对无人机着陆地貌图像DCT变换，并进行DCT系数的筛选；针对无人机着陆地貌图像场景复杂、信息丰富的特点构建DCT-CNN网络模型；将训练集的DCT系数输入到改进的DCT-CNN模型中训练，并对网络进行参数更新，直到损失函数收敛于一个较小的值，训练结束；将训练图像特征集作为训练样本对SVM分类器进行训练；输入测试集，利用训练好的模型对测试图像进行逐层学习，最后将得到的特征向量输入到训练好的SVM分类器中进行分类，得到分类结果。本发明降低了数据冗余，使得训练时间大幅度减少，有效的提高了无人机着陆地貌图像的分类准确率。
-
公开(公告)号：CN109344898A
公开(公告)日：2019-02-15
申请号：CN201811157807.0
申请日：2018-09-30
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开了基于稀疏编码预训练的卷积神经网络图像分类方法，首先对训练样本进行非下采样Contourlet变换，选取前两层分解图像来扩充训练样本，然后随机选择图像采用SC算法学习其局部特征，并将特征按照灰度平均梯度从大到小进行排序，最后选择灰度平均梯度较大的特征值对CNN卷积核初始化。采用SC算法学习到原图像具有统计特性的特征对CNN卷积核初始化，获得比传统底层视觉特征更好的分类效果，有效避免了网络训练陷入局部最优；综合高、低频子带对不同场景的识别优势，在训练样本有限的情况下，有效的提高了图像分类准确率，具有良好的泛化能力和适用范围。
-
公开(公告)号：CN107766828A
公开(公告)日：2018-03-06
申请号：CN201711032448.1
申请日：2017-10-29
Applicant: 北京工业大学
CPC classification number: G06K9/0063 , G06K9/6269
Abstract: 本发明公开了基于小波卷积神经网络的无人机着陆地貌分类方法，本方法采用小波卷积神经网络来进行特征学习。然后根据提出的特征权值结合法对每层隐含层得到的特征集分配一个特征权值，最后，每个特征集和相应的权值结合成一个新的待分类图像特征集，新特征集具有图像的深层特征信息，具有较高的特征识别力。针对支持向量机的分类性能易受到参数、核函数等因素的影响，采用粒子群算法优化支持向量机，粒子群算法能在较短时间内搜索到全局最优的点，即能达到支持向量机最优分类性能的参数。仿真实验表明，本发明能自动地提取图像深层抽象特征，提高了特征识别力，有效的提高了地貌图像的分类准确率，具有良好的泛化能力和适用范围。
-
-
-
Search Results
4
records
(took 0.016 seconds)
