-
Patent Agency Ranking
公开(公告)号：CN113139512A
公开(公告)日：2021-07-20
申请号：CN202110526282.9
申请日：2021-05-14
Applicant: 辽宁工程技术大学
Abstract: 本发明公开一种基于残差和注意力的深度网络高光谱影像分类方法，该方法首先将高光谱图像原始数据集进行波段划分和归一化处理，得到高光谱影像数据集；再通过主成分分析方法提取数据集的第一主成分影像作为引导图像；从中选择一定像素的邻域作为输入样本，并进行三维操作，对各个波段进行批处理，提取三维的特征张量；对三维的特征张量进行二维操作，提取更精细的空间特征；再进入一维操作，获得嵌入特征。最后将获得的嵌入特征和对应的空间特征分别输入包含D2CEL损失函数的原型网络分类器中进行分类，得到预测结果。本发明不仅优化了高光谱空间分类模块的设计和应用，提高了深度模型的泛化能力；还产生了更多的区别特征，实现了更精确的HIS分类。
-
公开(公告)号：CN113139512B
公开(公告)日：2023-09-29
申请号：CN202110526282.9
申请日：2021-05-14
Applicant: 辽宁工程技术大学
IPC: G06V10/764 , G06V20/10 , G06V10/77 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于残差和注意力的深度网络高光谱影像分类方法，该方法首先将高光谱图像原始数据集进行波段划分和归一化处理，得到高光谱影像数据集；再通过主成分分析方法提取数据集的第一主成分影像作为引导图像；从中选择一定像素的邻域作为输入样本，并进行三维操作，对各个波段进行批处理，提取三维的特征张量；对三维的特征张量进行二维操作，提取更精细的空间特征；再进入一维操作，获得嵌入特征。最后将获得的嵌入特征和对应的空间特征分别输入包含D2CEL损失函数的原型网络分类器中进行分类，得到预测结果。本发明不仅优化了高光谱空间分类模块的设计和应用，提高了深度模型的泛化能力；还产生了更多的区别特征，实现了更精确的HIS分类。
-
公开(公告)号：CN113111863B
公开(公告)日：2023-11-24
申请号：CN202110520751.6
申请日：2021-05-13
Applicant: 辽宁工程技术大学
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06F17/16 , G06N3/0464
Abstract: 本发明提供一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，涉及高光谱图像处理与应用技术领域。将输入的高光谱影像数据集进行微型批量处理,CNN使用minibatch策略进行培训，得到数据集的所有子集，构造高光谱影像数据集的邻接矩阵，构建拉普拉斯矩阵，进行谱域中的图卷积，将通过傅里叶变换后的图信号进行卷积处理，从而提取特征，将miniGCNs与CNNs级联融合后，输出样本类别。本发明利用一种新的有监督的miniGCN进行网络训练，具有更大的灵活性，同时融合了卷积神经网络为HS图像分类任务提取更多样化和更具鉴别能力的特征表示，方法更具有有效性和优越性。
-
公开(公告)号：CN113139515A
公开(公告)日：2021-07-20
申请号：CN202110528225.4
申请日：2021-05-14
Applicant: 辽宁工程技术大学
Abstract: 本发明公开一种基于条件随机场和深度特征学习的高光谱图像分类方法，该方法首先对输入的高光谱数据集进行归一化处理，接着采用3D‑CNN神经网络获取高光谱影像光谱‑空间特征，然后应用3D‑CNN生成特征图，利用3D‑CNN的输出特征在框架中引入基于3D‑CNN的深度CRF，扩展基于3D‑CNN的深层CRF架构来计算CRF的一元势函数和二元势函数；再根据后验概率对特征图进行粗分类，采用平均场近似算法来计算最大后验边界推理的CRF分布；最后对粗分类的分类图基于反卷积神经网络进行改进分类。本发明可以处理整个光谱通道的光谱信息和空间信息，有效获取基于三维数据立方体区域之间的语义相关性，并利用反卷积神经网络来提高模型最终的分类性能。
-
公开(公告)号：CN113111863A
公开(公告)日：2021-07-13
申请号：CN202110520751.6
申请日：2021-05-13
Applicant: 辽宁工程技术大学
Abstract: 本发明提供一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，涉及高光谱图像处理与应用技术领域。将输入的高光谱影像数据集进行微型批量处理,CNN使用minibatch策略进行培训，得到数据集的所有子集，构造高光谱影像数据集的邻接矩阵，构建拉普拉斯矩阵，进行谱域中的图卷积，将通过傅里叶变换后的图信号进行卷积处理，从而提取特征，将miniGCNs与CNNs级联融合后，输出样本类别。本发明利用一种新的有监督的miniGCN进行网络训练，具有更大的灵活性，同时融合了卷积神经网络为HS图像分类任务提取更多样化和更具鉴别能力的特征表示，方法更具有有效性和优越性。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
