-
公开(公告)号：CN106886760B
公开(公告)日：2019-08-16
申请号：CN201710052487.1
申请日：2017-01-24
Applicant: 北京理工大学
Abstract: 本发明提供了一种基于空谱信息结合的高光谱舰船检测方法，能够解决现有舰船检测方法中舰船目标的检测的准确度和虚警的问题。本发明方法中涉及基于类间差异性的无监督光谱子区间筛选方法，是一种准确、快速、鲁棒性强的无监督光谱波段筛选方法。阈值分割中加入了水域的相对稳定性，极大削弱了亮度值较低的非水域区域对检测结果的干扰，能够实现十分准确的海陆分割结果，该方法简单、快速并且自适应。本发明提出了对RX异常检测结果进行空间特征增强的方法，即利用二维本征模态分解重构图像，并且该方法是自适应的，完全依赖数据本身的结构。本方法利用物质的光谱特征分析物质的主要材质构成，所有光谱均可由光谱字典中光谱向量线性组合得到。
-
公开(公告)号：CN106886760A
公开(公告)日：2017-06-23
申请号：CN201710052487.1
申请日：2017-01-24
Applicant: 北京理工大学
CPC classification number: G06K9/0063 , G06K9/342
Abstract: 本发明提供了一种基于空谱信息结合的高光谱舰船检测方法，能够解决现有舰船检测方法中舰船目标的检测的准确度和虚警的问题。本发明方法中涉及基于类间差异性的无监督光谱子区间筛选方法，是一种准确、快速、鲁棒性强的无监督光谱波段筛选方法。阈值分割中加入了水域的相对稳定性，极大削弱了亮度值较低的非水域区域对检测结果的干扰，能够实现十分准确的海陆分割结果，该方法简单、快速并且自适应。本发明提出了对RX异常检测结果进行空间特征增强的方法，即利用二维本征模态分解重构图像，并且该方法是自适应的，完全依赖数据本身的结构。本方法利用物质的光谱特征分析物质的主要材质构成，所有光谱均可由光谱字典中光谱向量线性组合得到。
-
公开(公告)号：CN106897737A
公开(公告)日：2017-06-27
申请号：CN201710052482.9
申请日：2017-01-24
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于高光谱遥感图像的地物分类方法，将原始的超限学习机网络扩展为层级化多通道融合网络，在网络训练方面，不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略，本发明采用贪婪式逐层训练的方式，对层级网络逐层训练，极大地缩短了网络的训练时间，在逐层训练的过程中，每层网络的训练求解模型均添加l1正则优化项，使得参数求解结果更稀疏，减少过拟合风险，在网络功能方面，单隐层ELM网络侧重解决简单数据的拟合、分类问题，而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合，同时也继承了前者训练速度快、泛化能力强的优点，非常有利于模型的在轨实现并适应应急响应任务的要求。
-
公开(公告)号：CN106897737B
公开(公告)日：2019-10-11
申请号：CN201710052482.9
申请日：2017-01-24
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于高光谱遥感图像的地物分类方法，将原始的超限学习机网络扩展为层级化多通道融合网络，在网络训练方面，不同于原始ELM网络的最小二乘算法求解输出权重策略以及深度学习网络的全局迭代调优策略，本发明采用贪婪式逐层训练的方式，对层级网络逐层训练，极大地缩短了网络的训练时间，在逐层训练的过程中，每层网络的训练求解模型均添加l1正则优化项，使得参数求解结果更稀疏，减少过拟合风险，在网络功能方面，单隐层ELM网络侧重解决简单数据的拟合、分类问题，而本发明所提网络模型的不同层级实现了目标数据特征学习或特征融合，同时也继承了前者训练速度快、泛化能力强的优点，非常有利于模型的在轨实现并适应应急响应任务的要求。
-
-
-
Search Results
4
records
(took 0.017 seconds)
