-
公开(公告)号：CN113887656A
公开(公告)日：2022-01-04
申请号：CN202111226922.0
申请日：2021-10-21
Applicant: 江南大学
Abstract: 本发明公开了一种联合深度学习与稀疏表示的高光谱图像分类方法，涉及高光谱图像处理技术领域，该方法包括：对高光谱图像数据，先用主成分分析提取光谱特征，并对主成分进行扩展形态学分析得到扩展形态学特征；划分训练集和测试集，将训练集对应的扩展形态学特征作为端元集合；将光谱特征和端元集合输入至联合稀疏表示的深度神经网络模型，输出分类概率图；根据分类概率图得到最终的分类预测结果。深度神经网络模型包含稀疏表示模块和自编码特征提取模块，深度丰度特征的求解与分类在统一的损失函数下训练，使得稀疏表示模块输出的深度丰度特征提取了样本间的相关性信息；自编码特征提取模块融合了深度丰度特征与光谱特征，可显著提高分类精度。
-
公开(公告)号：CN113963207B
公开(公告)日：2024-03-29
申请号：CN202111228599.0
申请日：2021-10-21
Applicant: 江南大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于空谱信息特征引导融合网络的高光谱图像分类方法，涉及高光谱图像处理技术领域，该方法包括：对高光谱图像数据，随机划分为训练集和测试集；将训练集处理后分别通过空间特征提取模块和光谱‑空间特征提取模块得到空间特征图和光谱‑空间特征图；将两种特征图相继放入多引导块和自引导块进行引导；之后将两者通过双线性池化融合不同特征，最后将融合后的特征向量放入分类器中进行分类结果预测。本申请将二维的空间信息和三维的光谱‑空间信息利用多引导块和自引导块相结合的方式，获取到更加丰富的特征，再通过双线性融合操作融合不同特征提取器得到的特征，充分互补了不同维度的特征信息，显著提高了分类的性能。
-
公开(公告)号：CN113963207A
公开(公告)日：2022-01-21
申请号：CN202111228599.0
申请日：2021-10-21
Applicant: 江南大学
Abstract: 本发明公开了基于空谱信息特征引导融合网络的高光谱图像分类方法，涉及高光谱图像处理技术领域，该方法包括：对高光谱图像数据，随机划分为训练集和测试集；将训练集处理后分别通过空间特征提取模块和光谱‑空间特征提取模块得到空间特征图和光谱‑空间特征图；将两种特征图相继放入多引导块和自引导块进行引导；之后将两者通过双线性池化融合不同特征，最后将融合后的特征向量放入分类器中进行分类结果预测。本申请将二维的空间信息和三维的光谱‑空间信息利用多引导块和自引导块相结合的方式，获取到更加丰富的特征，再通过双线性融合操作融合不同特征提取器得到的特征，充分互补了不同维度的特征信息，显著提高了分类的性能。
-
公开(公告)号：CN113887656B
公开(公告)日：2024-04-05
申请号：CN202111226922.0
申请日：2021-10-21
Applicant: 江南大学
IPC: G06V10/764 , G06V10/77 , G06V10/774 , G06V20/10 , G06V10/58 , G06V10/44 , G06V10/82 , G06N3/082 , G06N3/084 , G06N3/0985 , G06T7/155 , G06T7/62 , G06T7/66
Abstract: 本发明公开了一种联合深度学习与稀疏表示的高光谱图像分类方法，涉及高光谱图像处理技术领域，该方法包括：对高光谱图像数据，先用主成分分析提取光谱特征，并对主成分进行扩展形态学分析得到扩展形态学特征；划分训练集和测试集，将训练集对应的扩展形态学特征作为端元集合；将光谱特征和端元集合输入至联合稀疏表示的深度神经网络模型，输出分类概率图；根据分类概率图得到最终的分类预测结果。深度神经网络模型包含稀疏表示模块和自编码特征提取模块，深度丰度特征的求解与分类在统一的损失函数下训练，使得稀疏表示模块输出的深度丰度特征提取了样本间的相关性信息；自编码特征提取模块融合了深度丰度特征与光谱特征，可显著提高分类精度。
-
-
-
Search Results
4
records
(took 0.016 seconds)
