-
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：CN113128471A
公开(公告)日：2021-07-16
申请号：CN202110533010.1
申请日：2021-05-17
Applicant: 辽宁工程技术大学
Abstract: 本发明提供一种基于注意力机制和生成对抗网络的高光谱影像分类方法，涉及高光谱图像处理与应用技术领域。本发明对高光谱影像数据集进行归一化、主成分分析，得到真实样本；将特征矩阵进行转置卷积运算后，生成的特征输入到联合的空间‑光谱联合注意力机制模块，得到生成样本；将真实样本和生成样本进行四次卷积，得到输入样本的层次特征；真实样本特征与生成器中相应的等尺寸特征相加，生成新的融合特征输入到联合的空间‑光谱联合注意力机制模块；将层次特征沿着光谱通道依次输入到ConvLSTM中，通过识别器中的softmax函数实现分类。本发明能有效提高生成样本的质量，通过使用生成的高质量样本，提高鉴别器的分类能力。
-
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：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。
-
-
-
Search Results
4
records
(took 0.033 seconds)
