公开(公告)号：CN116051896B

公开(公告)日：2023-06-20

申请号：CN202310042326.X

申请日：2023-01-28

Applicant: 西南交通大学

Inventor： 李恒超 ,  马天宇 ,  林知心 ,  郑玉棒

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/08

Abstract: 本发明公开了一种轻量化混合张量神经网络的高光谱图像分类方法，其分类过程包括：数据预处理，获取保留空谱特征信息的低维高光谱图像数据；基于全连接张量网络分解构建低复杂度的混合张量神经网络，将低维高光谱图像数据输入到由张量化三维和二维卷积层组成的混合结构张量模块中，学习具有强判别性的空谱特征和空间特征，并使用张量化全连接层和非线性激活函数进行分类；通过最小化损失函数训练混合张量神经网络，并使用训练好的网络模型对高光谱图像实现分类和指标评估。本发明中，标准卷积层的卷积核张量和全连接层的权重矩阵被分解为一组具有全连接结构的小尺寸因子张量，使得网络模型能以更少的参数量实现了较高的分类精度。

公开(公告)号：CN116051896A

公开(公告)日：2023-05-02

申请号：CN202310042326.X

申请日：2023-01-28

Applicant: 西南交通大学

Inventor： 李恒超 ,  马天宇 ,  林知心 ,  郑玉棒

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/08

Abstract: 本发明公开了一种轻量化混合张量神经网络的高光谱图像分类方法，其分类过程包括：数据预处理，获取保留空谱特征信息的低维高光谱图像数据；基于全连接张量网络分解构建低复杂度的混合张量神经网络，将低维高光谱图像数据输入到由张量化三维和二维卷积层组成的混合结构张量模块中，学习具有强判别性的空谱特征和空间特征，并使用张量化全连接层和非线性激活函数进行分类；通过最小化损失函数训练混合张量神经网络，并使用训练好的网络模型对高光谱图像实现分类和指标评估。本发明中，标准卷积层的卷积核张量和全连接层的权重矩阵被分解为一组具有全连接结构的小尺寸因子张量，使得网络模型能以更少的参数量实现了较高的分类精度。

公开(公告)号：CN116563649B

公开(公告)日：2023-09-08

申请号：CN202310836681.4

申请日：2023-07-10

Applicant: 西南交通大学

Inventor： 李恒超 ,  林知心 ,  马天宇

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/42 ,  G06V10/44 ,  G06V10/58 ,  G06V20/13 ,  G06V20/17 ,  G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明提供了一种基于张量映射网络的高光谱图像轻量化分类方法及装置，涉及遥感图像处理技术领域，包括获取高光谱图像数据集和待分类的高光谱图像；对高光谱图像数据集和待分类的高光谱图像进行预处理；构建神经网络分类模型，神经网络分类模型先提取初级语义特征，并以初级语义特征提取局部空谱特征和全局光谱特征，然后以局部空谱特征和全局光谱特征做出高光谱图像分类的神经网络模型；根据高光谱图像数据集训练神经网络分类模型，得到分类模型；根据分类模型对高光谱图像进行分类，得到分类结果。本发明通过初级语义特征提取局部空谱特征和全局光谱特征，并整合局部空谱特征和全局光谱特征，在有限的计算和存储资源下完成更高效准确的分类。

公开(公告)号：CN116563649A

公开(公告)日：2023-08-08

申请号：CN202310836681.4

申请日：2023-07-10

Applicant: 西南交通大学

Inventor： 李恒超 ,  林知心 ,  马天宇

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/42 ,  G06V10/44 ,  G06V10/58 ,  G06V20/13 ,  G06V20/17 ,  G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/047 ,  G06N3/08

Abstract: 本发明提供了一种基于张量映射网络的高光谱图像轻量化分类方法及装置，涉及遥感图像处理技术领域，包括获取高光谱图像数据集和待分类的高光谱图像；对高光谱图像数据集和待分类的高光谱图像进行预处理；构建神经网络分类模型，神经网络分类模型先提取初级语义特征，并以初级语义特征提取局部空谱特征和全局光谱特征，然后以局部空谱特征和全局光谱特征做出高光谱图像分类的神经网络模型；根据高光谱图像数据集训练神经网络分类模型，得到分类模型；根据分类模型对高光谱图像进行分类，得到分类结果。本发明通过初级语义特征提取局部空谱特征和全局光谱特征，并整合局部空谱特征和全局光谱特征，在有限的计算和存储资源下完成更高效准确的分类。