-
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：CN113076937B
公开(公告)日：2024-03-29
申请号：CN202110488854.9
申请日：2021-04-28
Applicant: 辽宁工程技术大学
IPC: G06V20/13 , G06V10/40 , G06V10/762 , G06V10/764 , G06V10/77
Abstract: 本申请提出一种高光谱图像特征提取方法，包括如下步骤：输入待分类的原始高光谱影像数据集，包括：已经标记的高光谱影像数据以及未标记的高光谱影像数据；对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵；针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵；将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵；针对所述第三投影矩阵，进行图谱判别分析，提取最终的特征矩阵。解决了现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题。本申请利用半监督流形变化能更好的扩大特征之间的差异，在进行空间特征提取的同时顾及了像素间局部关系，提高了分类精度。
-
Patent Agency Ranking
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。
-
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：CN114295552A
公开(公告)日：2022-04-08
申请号：CN202210003436.0
申请日：2022-01-04
Applicant: 辽宁工程技术大学
Abstract: 本发明涉及将传统计算机视觉算法实现为卷积神经网络的目标检测装置，包括工作台，工作台的顶部分别设有工件送料机构，拍照机构和主控制器，伺服电机的输出轴贯穿所连接的立板并与丝杠的端部固定连接，丝杠的外周活动套接有丝杠螺母，丝杠的后方设有导向直杆，且导向直杆的两端分别与各自所对应的立板固定连接，导向直杆的外周活动套接有导向环，导向环与丝杠螺母之间设有工件固定组件。本发明具备有用于目标检测的卷积神经网络模型的系统，便于对光学元件表面是否有损伤进行检测，并且能够对检测进行分类，具有较高的准确率，并且在对光学元件表面进行检测的过程中不会对光学元件造成破坏，满足了人们的实际需求。
-
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：CN113076937A
公开(公告)日：2021-07-06
申请号：CN202110488854.9
申请日：2021-04-28
Applicant: 辽宁工程技术大学
Abstract: 本申请提出一种高光谱图像特征提取方法，包括如下步骤：输入待分类的原始高光谱影像数据集，包括：已经标记的高光谱影像数据以及未标记的高光谱影像数据；对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵；针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵；将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵；针对所述第三投影矩阵，进行图谱判别分析，提取最终的特征矩阵。解决了现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题。本申请利用半监督流形变化能更好的扩大特征之间的差异，在进行空间特征提取的同时顾及了像素间局部关系，提高了分类精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
