-
公开(公告)号：CN119385578A
公开(公告)日：2025-02-07
申请号：CN202411455009.1
申请日：2024-10-17
Applicant: 北京工业大学
IPC: A61B5/372 , A61B5/369 , A61B5/00 , G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明提出了一种基于自适应通道混合注意力机制和解耦学习的RSVP类不平衡脑电信号分类方法，旨在提升RSVP脑电信号的特征提取和分类性能。首先，对采集的RSVP脑电信号进行预处理，包括共平均参考、带通滤波和标准化处理并对训练集和测试集进行划分。然后，通过并行卷积层和空间卷积层提取多尺度时间和空间特征，利用插值法融合不同层次的特征。训练过程解耦为表示学习和分类器学习，表示学习使用基于难度样本采样的三元组损失函数，分类器学习使用优化后的Focal Loss进行特征学习和分类器优化。引入自适应通道混合注意力机制，通过动态加权和多层次特征融合，增强了模型的灵活性和鲁棒性。该方法解决了RSVP任务中的类别不平衡问题。
-
公开(公告)号：CN112801028A
公开(公告)日：2021-05-14
申请号：CN202110182141.X
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明公开了基于归纳表示学习网络的光谱和空间图高光谱图像分类方法，属于高光谱图像分类领域。首先，根据高光谱图像的光谱‑空间信息，得到节点之间的距离，根据最近邻算法，进而得到节点的邻接关系。之后将处理好的数据输入到设计好的GraphSAGE网络当中，进行训练，测试。本发明主要是利用高光谱图像的光谱‑空间信息以及归纳式的学习方法GraphSAGE来进行高光谱图像分类。从而解决GCN进行高光谱图像分类时面临的计算开销问题，并且分类结果有了极大的提升。
-
公开(公告)号：CN110298396A
公开(公告)日：2019-10-01
申请号：CN201910552768.2
申请日：2019-06-25
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开了基于深度学习多特征融合的高光谱图像分类方法，属于高光谱图像分类领域，本方法充分利用高光谱图像的光谱和空间信息，在分类效果上提升性能。实现步骤如下：首先对高光谱图像数据进行预处理，提取训练标签和测试标签；构建模型；做好数据预处理之后，进行构建训练模型。训练模型由三大部分组成，分别为光谱样本集训练模型、空间谱样本集训练模型以及EMP特征提取的样本集训练模型。另外，特征融合之后输入的全连接层。训练网络；高光谱图像分类输出分类图像本发明克服了传统的高光谱图像分类方法只利用高光谱图像的光谱信息，采用光谱信息、空间信息以及扩展形态特征处理相融合的方法，极大的提高了分类的准确率。
-
公开(公告)号：CN110298396B
公开(公告)日：2022-02-08
申请号：CN201910552768.2
申请日：2019-06-25
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度学习多特征融合的高光谱图像分类方法，属于高光谱图像分类领域，本方法充分利用高光谱图像的光谱和空间信息，在分类效果上提升性能。实现步骤如下：首先对高光谱图像数据进行预处理，提取训练标签和测试标签；构建模型；做好数据预处理之后，进行构建训练模型。训练模型由三大部分组成，分别为光谱样本集训练模型、空间谱样本集训练模型以及EMP特征提取的样本集训练模型。另外，特征融合之后输入的全连接层。训练网络；高光谱图像分类输出分类图像本发明克服了传统的高光谱图像分类方法只利用高光谱图像的光谱信息，采用光谱信息、空间信息以及扩展形态特征处理相融合的方法，极大的提高了分类的准确率。
-
-
-
Search Results
4
records
(took 0.021 seconds)
