公开(公告)号：CN110222773A

公开(公告)日：2019-09-10

申请号：CN201910497281.9

申请日：2019-06-10

Applicant: 西北工业大学

Inventor： 李映 ,  张号逵 ,  王校男

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明涉及一种基于不对称分解卷积网络的高光谱图像小样本分类方法，首先，构建不对称分解三维卷机网络模型，从多个不同传感器采集的预训练高光谱图像数据中提取所有有标注的样本构建混合了多个高光谱图像样本的预训练数据，并利用预训练数据对构建的网络模型进行预训练。之后，将经过预训练的模型迁移到目标高光谱图像数据上来，从目标高光谱图像数据中提取少量有标注的样本作为训练数据，并对迁移后的模型进行微调。最后，利用经过微调的网络模型对整个目标高光谱图像数据集进行分类。与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。

公开(公告)号：CN110222773B

公开(公告)日：2023-03-24

申请号：CN201910497281.9

申请日：2019-06-10

Applicant: 西北工业大学

Inventor： 李映 ,  张号逵 ,  王校男

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明涉及一种基于不对称分解卷积网络的高光谱图像小样本分类方法，首先，构建不对称分解三维卷机网络模型，从多个不同传感器采集的预训练高光谱图像数据中提取所有有标注的样本构建混合了多个高光谱图像样本的预训练数据，并利用预训练数据对构建的网络模型进行预训练。之后，将经过预训练的模型迁移到目标高光谱图像数据上来，从目标高光谱图像数据中提取少量有标注的样本作为训练数据，并对迁移后的模型进行微调。最后，利用经过微调的网络模型对整个目标高光谱图像数据集进行分类。与现有的基于深度学习的高光谱图像分类方法相比，网络模型更深，精度更高，且参数量更少。

公开(公告)号：CN110210439A

公开(公告)日：2019-09-06

申请号：CN201910498020.9

申请日：2019-06-10

Applicant: 西北工业大学

Inventor： 李映 ,  王校男 ,  张号逵

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明利用洗牌层、空间卷积和时间卷积分解，分组卷积等，设计构建一个轻量化的三维卷积神经网络来处理行为识别问题。该轻量化三维卷积网络能够，在保证识别精度的同时，显著的减少网络参数量、运算量及计算开销，提升网络执行速度。