公开(公告)号：CN114255367A

公开(公告)日：2022-03-29

申请号：CN202111474609.9

申请日：2021-12-06

Applicant: 哈尔滨工程大学

Inventor： 崔颖 ,  高山 ,  于梓坤 ,  夏晋彪 ,  李文山

IPC: G06V10/764 ,  G06V10/774 ,  G06K9/62

Abstract: 本发明是一种基于少量训练样本下的高光谱图像分类方法。本发明涉及图像处理及其分类技术领域，本发明获取原始的高光谱数据集，对感兴趣的类别信息进行标注；对原始数据集使用主成分分析法进行降维，通过保留不重叠信息的方式，降低需要处理的数据量；选择合适的空间邻域大小，并将数据按照一定的比例划分为训练集、验证集、测试集，建立双重注意力模型；将训练数据送入的双重注意力机制模型中进行训练；及时调整模型训练过程的参数，通过交叉验证选择出最好的模型；将训练最好的模型在测试集上进行测试，验证分类效果。

公开(公告)号：CN116543203A

公开(公告)日：2023-08-04

申请号：CN202310451982.5

申请日：2023-04-24

Applicant: 哈尔滨工程大学

Inventor： 崔颖 ,  高山 ,  李文山 ,  罗丽 ,  陈晓力

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/58 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明公开了一种基于上下文注意特征的高光谱图像分类方法及系统，其中，该方法包括：获取原始高光谱数据构建数据集，并将其划分为训练集、验证集和测试集；构建双重注意力机制的特征融合网络模型；利用训练集对该模型进行训练；利用验证集在训练过程中对双重注意力机制的特征融合网络模型进行交叉验证，得到验证结果；筛选验证结果中最佳分类效果的双重注意力机制的特征融合网络模型作为目标分类模型，并通过目标分类模型对预设高光谱图像进行分类。该方法能提高少量训练样本下的分类精度，对初始标注样本的需求量不大，可节省人工标注类别信息所带来的时间成本，且鲁棒性也可得到保证，通过少量样本即可获得稳定的训练出效果可观的分类模型。