公开(公告)号：CN108038501B

公开(公告)日：2021-06-11

申请号：CN201711290309.9

申请日：2017-12-08

Applicant: 桂林电子科技大学

Inventor： 欧阳宁 ,  朱婷 ,  林乐平 ,  莫建文 ,  袁华 ,  首照宇 ,  张彤 ,  陈利霞

IPC: G06K9/62

Abstract: 本发明公开了基于多模态压缩双线性池化的高光谱图像分类方法，其特征是，包括如下步骤：1）数据预处理；2）光谱通道特征提取；3）空间通道特征提取；4）空‑谱特征融合；5）高光谱像元分类。这种方法有效解决了原光谱和空间特征向量外积维数较高，计算复杂，容易产生过拟合的问题。

公开(公告)号：CN108038501A

公开(公告)日：2018-05-15

申请号：CN201711290309.9

申请日：2017-12-08

Applicant: 桂林电子科技大学

Inventor： 欧阳宁 ,  朱婷 ,  林乐平 ,  莫建文 ,  袁华 ,  首照宇 ,  张彤 ,  陈利霞

IPC: G06K9/62

Abstract: 本发明公开了基于多模态压缩双线性池化的高光谱图像分类方法，其特征是，包括如下步骤：1）数据预处理；2）光谱通道特征提取；3）空间通道特征提取；4）空‑谱特征融合；5）高光谱像元分类。这种方法有效解决了原光谱和空间特征向量外积维数较高，计算复杂，容易产生过拟合的问题。

公开(公告)号：CN107180248A

公开(公告)日：2017-09-19

申请号：CN201710436670.1

申请日：2017-06-12

Applicant: 桂林电子科技大学

Inventor： 欧阳宁 ,  朱婷 ,  林乐平 ,  莫建文 ,  张彤 ,  袁华 ,  陈利霞

IPC: G06K9/62 ,  G06N3/08

CPC classification number: G06K9/6267 ,  G06K9/6256 ,  G06N3/084

Abstract: 本发明公开了基于联合损失增强网络的高光谱图像分类方法，其特征是，包括如下步骤：1）PCA降维；2）空间领域块提取；3）编码路径特征提取；4）分类任务训练目标建立；5）解码路径特征提取与重建；6）网络联合训练；7）高光谱测试分类。这种方法可在同一网络结构下，通过端到端的训练方式，联合学习重建损失及分类判别损失函数，从而充分利用高光谱图像的空谱信息，自动削弱CNN对不重要特征变量的学习，以此来降低高光谱分类模型的复杂度，同时，减少高光谱图像分类方法对标签样本的依赖性、提升分类精度。