CN104751162A - 基于卷积神经网络的高光谱遥感数据特征提取方法 - Google Patents
基于卷积神经网络的高光谱遥感数据特征提取方法 Download PDFInfo
- Publication number
- CN104751162A CN104751162A CN201510158325.7A CN201510158325A CN104751162A CN 104751162 A CN104751162 A CN 104751162A CN 201510158325 A CN201510158325 A CN 201510158325A CN 104751162 A CN104751162 A CN 104751162A
- Authority
- CN
- China
- Prior art keywords
- data
- input data
- feature
- remote sensing
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
基于卷积神经网络的高光谱遥感数据特征提取方法,属于遥感数据特征提取技术领域。本发明是为了解决采用现有方法对高光谱遥感数据进行特征提取,获得的特征数据不具有深层的结构,不利于后续图像处理的问题。它首先对高光谱原始数据进行坏带去除、数据变形重组及数据预处理,获得标准化输入数据;再对标准化输入数据利用不同的滤波器通过局部感受野对数据进行卷积;对卷积结果进行子采样;最后将卷积层与子采样层叠加,获得的标准化输入数据状态响应,实现对高光谱遥感数据的特征提取。本发明用于高光谱遥感数据的特征提取。
Description
技术领域
本发明涉及基于卷积神经网络的高光谱遥感数据特征提取方法,属于遥感数据特征提取技术领域。
背景技术
随着成像技术和光谱技术的发展,高光谱遥感技术成为遥感领域的前沿技术,光谱分辨力的提高使得其他遥感技术不能解决的问题得以解决,但庞大数据量为特征提取技术增加了难度。为了解决这一问题,一些线性降维的方法被提出,如主成分分析、独立成分分析、因子分析等。对于高光谱复杂的光谱信息,非线性的方法也能够很好的描述数据特性,流行学习就是一种常用的非线性高光谱特征提取降维方法。对于高光谱数据,特征提取技术不仅限于维度的降低,它基于核的算法提取出的特征具有更高维度。虽然以上方法都能克服高光谱特征提取的困难,但提取出的特征并不具有深层的结构。
发明内容
本发明目的是为了解决采用现有方法对高光谱遥感数据进行特征提取,获得的特征数据不具有深层的结构,不利于后续图像处理的问题,提供了一种基于卷积神经网络的高光谱遥感数据特征提取方法。
本发明所述基于卷积神经网络的高光谱遥感数据特征提取方法,它包括以下步骤:
步骤一:对高光谱原始数据进行坏带去除、数据变形重组及数据预处理,获得标准化输入数据;
步骤二:将标准化输入数据作为卷积神经网络卷积层的输入,通过n个可训练的滤波器和可加偏置对标准化输入数据进行卷积,获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
步骤三:将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个子采样层;m为正整数;
步骤四:将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加,获得叠加层,再通过一个全连接层与每一个特征映射图中所有叠加层相连,计算获得全连接层的一个单元中n个子采样层与卷积神经网络权重向量之间的点积,将点积加上一个偏置后,再传递给Sigmoid函数,获得一个单元的标准化输入数据状态响应,全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数,将所有标准化输入数据状态响应作为标准化输入数据的提取特征,实现对高光谱遥感数据的特征提取。
所述坏带去除具体为:删除高光谱原始数据中波段全为零值或噪声超过预设噪声阈值的波段,获得以三维矩阵表示的无坏带输入数据。
所述数据变形重组具体为:将无坏带输入数据按照从左到右,从上到下的顺序,抽取每一个像素点的像素向量,每一个像素向量作为一个行向量,将所有行向量按照顺序依次向下排列,形成二维矩阵输入数据,该二维矩阵输入数据的行数是无坏带输入数据像素点的个数,列数是每个像素点包含的波段数。
所述数据预处理具体为:对二维矩阵输入数据进行标准化线性处理,使其结果值映射到[0-1]之间,从而使其各项指标处于同一数量级,获得标准化输入数据。
本发明的优点:本发明方法针对高光谱数据的高维度、丰富的光谱信息和高分辨率的数据特性,利用一种深层网络结构,有效地提取高光谱数据的特征,有利于后续的图像处理。它针对高光谱数据的高维度和复杂的数据特性,利用卷积神经网络学习高光谱数据的光谱维信息中的非线性和不变性特征,从而提取出具有深度结构的特征。
高光谱数据的特征提取是高光谱数据处理中非常重要的步骤,本发明利用卷积神经网络的模型结构模拟人脑的机制来处理数据,克服高光谱数据量大,冗余高的弊端,最小化数据预处理的要求,并提取出一种有利于后续处理及应用的具有深层结构的的特征。
附图说明
图1是本发明所述基于卷积神经网络的高光谱遥感数据特征提取方法的流程图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于卷积神经网络的高光谱遥感数据特征提取方法,它包括以下步骤:
步骤一:对高光谱原始数据进行坏带去除、数据变形重组及数据预处理,获得标准化输入数据;
步骤二:将标准化输入数据作为卷积神经网络卷积层的输入,通过n个可训练的滤波器和可加偏置对标准化输入数据进行卷积,获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
步骤三:将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个子采样层;m为正整数;
步骤四:将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加,获得叠加层,再通过一个全连接层与每一个特征映射图中所有叠加层相连,计算获得全连接层的一个单元中n个子采样层与卷积神经网络权重向量之间的点积,将点积加上一个偏置后,再传递给Sigmoid函数,获得一个单元的标准化输入数据状态响应,全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数,将所有标准化输入数据状态响应作为标准化输入数据的提取特征,实现对高光谱遥感数据的特征提取。
本实施方式利用高光谱遥感数据光谱维信息准备输入数据;应用卷积神经网络对输入数据进行特征提取。输入数据的准备是在高光谱原始数据的光谱维上进行的,内容主要包括坏带去除,数据变形重组及数据预处理。
卷积神经网络是一个多层的神经网络,每层都由多个二维平面组成,每一个平面由多个独立神经元构成。应用卷积神经网络对输入数据进行特征提取过程主要包括三部分:利用不同的滤波器通过局部感受野对数据进行卷积;对卷积结果进行子采样;卷积层与子采样层叠加。具体步骤包括:
1.利用不同的滤波器通过局部感受野对数据进行卷积。首先将上一步得到的高光谱光谱维数据构成的二维矩阵作为卷积层的输入,通过n个可训练的滤波器和可加偏置进行卷积,每个滤波器的参数不相同,将得到n个不同的特征映射图。每一个特征映射图中的神经元与输入数据的局部感受野相连,并提取出该局部的特征,将这些感受不同局部的神经元综合起来就可以得到全局信息,即输入数据的一个特征。由于一个映射面上的神经元共享权值,即同一个特征映射面上所有神经元共用同一个卷积核,因而减少了网络自由参数的个数,降低了网络参数选择的复杂度。
2.对卷积结果进行子采样。一旦局部特征被提取后,它的确切位置变得不再重要,只关心它与其他特征间的位置关系。但确切的位置会对特征的不变性造成干扰,可以通过减小特征映射图的空间分辨率来降低位置的精确程度,同时,适当的增加提取特征的个数可以作为降低分辨率的补偿。在上一步卷积层中产生n个特征映射图的基础上,对每个特征映射图中每组m×m个像素再进行求和,加权值,加偏置,通过一个Sigmoid函数得到n个子采样层的特征映射图。每一个连续的神经元的接受域是不重叠的,因此,子采样层的特征映射图的行和列分别缩减m倍。
3.卷积层与子采样层叠加。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的子采样层,这种特有的两次特征提取结构使网络对输入样本有较高的畸变容忍能力。对于高光谱遥感数据,建议使用3~5层卷积层和子采样层。最后,设计一个全连接层与上一层相连,计算输入向量和权重向量之间的点积,再加上一个偏置。然后将其传递给sigmoid函数得到一个单元的状态响应。全连接层单元个数即为最终对高光谱数据提取的特征个数。
具体实施方式二:本实施方式对实施方式一作进一步说明,所述坏带去除具体为:删除高光谱原始数据中波段全为零值或噪声超过预设噪声阈值的波段,获得以三维矩阵表示的无坏带输入数据。
在高光谱成像过程中,存在由于水吸收或其它原因形成的某些波段全为零值或噪声较大的波段。在坏带去除部分中,需要删除这些波段,以免后续数据处理时存在奇异性,满足后续算法的需求。
具体实施方式三:本实施方式对实施方式二作进一步说明,所述数据变形重组具体为:将无坏带输入数据按照从左到右,从上到下的顺序,抽取每一个像素点的像素向量,每一个像素向量作为一个行向量,将所有行向量按照顺序依次向下排列,形成二维矩阵输入数据,该二维矩阵输入数据的行数是无坏带输入数据像素点的个数,列数是每个像素点包含的波段数。
本实施方式对坏带去除后的高光谱原始数据进行重新组织,以满足卷积神经网络对数据输入的需求。原始的高光谱数据可以看做一个三维矩阵,其同一空间位置不同波段位置形成的向量称为像素向量。按照从左到右,从上到下的顺序,将原始数据空间中每一个像素点的像素向量抽取出来,作为一个行向量,其他像素点的像素向量按照顺序依次向下排列,最终形成一个二维矩阵。二维矩阵输入数据的原始维度即为这个二维矩阵的列数。
具体实施方式四:本实施方式对实施方式三作进一步说明,所述数据预处理具体为:对二维矩阵输入数据进行标准化线性处理,使其结果值映射到[0-1]之间,从而使其各项指标处于同一数量级,获得标准化输入数据。
不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。应用Min-Max标准化,对二维矩阵输入数据进行线性变换,使结果值映射到[0-1]之间。
Claims (4)
1.一种基于卷积神经网络的高光谱遥感数据特征提取方法,其特征在于,它包括以下步骤:
步骤一:对高光谱原始数据进行坏带去除、数据变形重组及数据预处理,获得标准化输入数据;
步骤二:将标准化输入数据作为卷积神经网络卷积层的输入,通过n个可训练的滤波器和可加偏置对标准化输入数据进行卷积,获得n个不同的特征映射图,n为正整数;每个特征映射图中的每一个神经元与标准化输入数据的一个局部感受野相连,用于提取相应的局部特征,每个特征映射图中的所有神经元获得的相应的局部特征综合后获得一个全局信息,将该全局信息作为一个特征映射图中的数据特征;
步骤三:将每个特征映射图中每组m×m个像素进行求和,加权值,加偏置,通过Sigmoid函数得到n个子采样层;m为正整数;
步骤四:将卷积神经网络的每一个卷积层与每一个特征映射图中每个对应的子采样层叠加,获得叠加层,再通过一个全连接层与每一个特征映射图中所有叠加层相连,计算获得全连接层的一个单元中n个子采样层与卷积神经网络权重向量之间的点积,将点积加上一个偏置后,再传递给Sigmoid函数,获得一个单元的标准化输入数据状态响应,全连接层的所有单元个数为最终获得的标准化输入数据状态响应个数,将所有标准化输入数据状态响应作为标准化输入数据的提取特征,实现对高光谱遥感数据的特征提取。
2.根据权利要求1所述的基于卷积神经网络的高光谱遥感数据特征提取方法,其特征在于,所述坏带去除具体为:删除高光谱原始数据中波段全为零值或噪声超过预设噪声阈值的波段,获得以三维矩阵表示的无坏带输入数据。
3.根据权利要求2所述的基于卷积神经网络的高光谱遥感数据特征提取方法,其特征在于,所述数据变形重组具体为:将无坏带输入数据按照从左到右,从上到下的顺序,抽取每一个像素点的像素向量,每一个像素向量作为一个行向量,将所有行向量按照顺序依次向下排列,形成二维矩阵输入数据,该二维矩阵输入数据的行数是无坏带输入数据像素点的个数,列数是每个像素点包含的波段数。
4.根据权利要求3所述的基于卷积神经网络的高光谱遥感数据特征提取方法,其特征在于,所述数据预处理具体为:对二维矩阵输入数据进行标准化线性处理,使其结果值映射到[0-1]之间,从而使其各项指标处于同一数量级,获得标准化输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158325.7A CN104751162A (zh) | 2015-04-03 | 2015-04-03 | 基于卷积神经网络的高光谱遥感数据特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510158325.7A CN104751162A (zh) | 2015-04-03 | 2015-04-03 | 基于卷积神经网络的高光谱遥感数据特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104751162A true CN104751162A (zh) | 2015-07-01 |
Family
ID=53590818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510158325.7A Pending CN104751162A (zh) | 2015-04-03 | 2015-04-03 | 基于卷积神经网络的高光谱遥感数据特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104751162A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105631480A (zh) * | 2015-12-30 | 2016-06-01 | 哈尔滨工业大学 | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 |
CN105787488A (zh) * | 2016-03-02 | 2016-07-20 | 浙江宇视科技有限公司 | 由全局向局部传递的图像特征提取方法及装置 |
CN106022355A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于3dcnn的高光谱图像空谱联合分类方法 |
CN108664994A (zh) * | 2018-04-17 | 2018-10-16 | 哈尔滨工业大学深圳研究生院 | 一种遥感图像处理模型构建***和方法 |
CN110472682A (zh) * | 2019-08-13 | 2019-11-19 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN110647555A (zh) * | 2019-08-23 | 2020-01-03 | 杭州轶丞网络科技有限公司 | 大数据匹配的校验方法及实现装置 |
CN110991617A (zh) * | 2019-12-02 | 2020-04-10 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN111062403A (zh) * | 2019-12-26 | 2020-04-24 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据深度光谱特征提取方法 |
CN111105347A (zh) * | 2019-11-19 | 2020-05-05 | 贝壳技术有限公司 | 一种生成带深度信息的全景图的方法、装置及存储介质 |
CN111144423A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
US11055835B2 (en) | 2019-11-19 | 2021-07-06 | Ke.com (Beijing) Technology, Co., Ltd. | Method and device for generating virtual reality data |
CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
CN115625571A (zh) * | 2022-12-19 | 2023-01-20 | 江苏卓远半导体有限公司 | 金刚石盘的监控方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
WO2013104938A2 (en) * | 2012-01-11 | 2013-07-18 | 77 Elektronika Muszeripari Kft. | Neural network and a method for teaching thereof |
CN104103033A (zh) * | 2014-08-05 | 2014-10-15 | 四川九成信息技术有限公司 | 图像实时处理方法 |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
-
2015
- 2015-04-03 CN CN201510158325.7A patent/CN104751162A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013104938A2 (en) * | 2012-01-11 | 2013-07-18 | 77 Elektronika Muszeripari Kft. | Neural network and a method for teaching thereof |
CN103136736A (zh) * | 2013-03-19 | 2013-06-05 | 哈尔滨工业大学 | 一种高光谱遥感数据非线性降维方法 |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN104103033A (zh) * | 2014-08-05 | 2014-10-15 | 四川九成信息技术有限公司 | 图像实时处理方法 |
CN104463172A (zh) * | 2014-12-09 | 2015-03-25 | 中国科学院重庆绿色智能技术研究院 | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320965B (zh) * | 2015-10-23 | 2018-11-30 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
CN105631480A (zh) * | 2015-12-30 | 2016-06-01 | 哈尔滨工业大学 | 一种基于多层卷积网络与数据重组折叠的高光谱数据分类方法 |
CN105631480B (zh) * | 2015-12-30 | 2018-10-26 | 哈尔滨工业大学 | 基于多层卷积网络与数据重组折叠的高光谱数据分类方法 |
CN105787488A (zh) * | 2016-03-02 | 2016-07-20 | 浙江宇视科技有限公司 | 由全局向局部传递的图像特征提取方法及装置 |
CN105787488B (zh) * | 2016-03-02 | 2019-04-30 | 浙江宇视科技有限公司 | 由全局向局部传递的图像特征提取方法及装置 |
CN106022355A (zh) * | 2016-05-09 | 2016-10-12 | 西北工业大学 | 基于3dcnn的高光谱图像空谱联合分类方法 |
CN106022355B (zh) * | 2016-05-09 | 2019-03-29 | 西北工业大学 | 基于3dcnn的高光谱图像空谱联合分类方法 |
CN108664994A (zh) * | 2018-04-17 | 2018-10-16 | 哈尔滨工业大学深圳研究生院 | 一种遥感图像处理模型构建***和方法 |
CN110472682B (zh) * | 2019-08-13 | 2023-04-18 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN110472682A (zh) * | 2019-08-13 | 2019-11-19 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN110647555A (zh) * | 2019-08-23 | 2020-01-03 | 杭州轶丞网络科技有限公司 | 大数据匹配的校验方法及实现装置 |
CN111105347A (zh) * | 2019-11-19 | 2020-05-05 | 贝壳技术有限公司 | 一种生成带深度信息的全景图的方法、装置及存储介质 |
CN111105347B (zh) * | 2019-11-19 | 2020-11-13 | 贝壳找房(北京)科技有限公司 | 一种生成带深度信息的全景图的方法、装置及存储介质 |
US11055835B2 (en) | 2019-11-19 | 2021-07-06 | Ke.com (Beijing) Technology, Co., Ltd. | Method and device for generating virtual reality data |
US11721006B2 (en) | 2019-11-19 | 2023-08-08 | Realsee (Beijing) Technology Co., Ltd. | Method and device for generating virtual reality data |
CN110991617B (zh) * | 2019-12-02 | 2020-12-01 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN110991617A (zh) * | 2019-12-02 | 2020-04-10 | 华东师范大学 | 万花筒卷积网络的构建方法 |
CN111062403A (zh) * | 2019-12-26 | 2020-04-24 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据深度光谱特征提取方法 |
CN111144423A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
CN111144423B (zh) * | 2019-12-26 | 2023-05-05 | 哈尔滨工业大学 | 基于一维组卷积神经网络的高光谱遥感数据多尺度光谱特征提取方法 |
CN113536937A (zh) * | 2021-06-17 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于遥感技术的红树林生态定量反演方法 |
CN115625571A (zh) * | 2022-12-19 | 2023-01-20 | 江苏卓远半导体有限公司 | 金刚石盘的监控方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751162A (zh) | 基于卷积神经网络的高光谱遥感数据特征提取方法 | |
WO2020168844A1 (en) | Image processing method, apparatus, equipment, and storage medium | |
Chang et al. | HSI-DeNet: Hyperspectral image restoration via convolutional neural network | |
CN112836773B (zh) | 一种基于全局注意力残差网络的高光谱图像分类方法 | |
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
Li et al. | Survey of single image super‐resolution reconstruction | |
CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN107492071A (zh) | 医学图像处理方法及设备 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN108491849A (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
CN112116065A (zh) | 一种rgb图像光谱重建方法、***、存储介质及应用 | |
Zhang et al. | Symmetric all convolutional neural-network-based unsupervised feature extraction for hyperspectral images classification | |
CN110309811A (zh) | 一种基于胶囊网络的高光谱图像分类方法 | |
CN116468645B (zh) | 一种对抗性高光谱多光谱遥感融合方法 | |
CN112446835B (zh) | 图像恢复方法、图像恢复网络训练方法、装置和存储介质 | |
CN114972746B (zh) | 一种基于多分辨率重叠注意力机制的医学影像分割方法 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
CN113807356B (zh) | 一种端到端的低能见度图像语义分割方法 | |
CN112215267B (zh) | 一种面向高光谱图像的深度空谱子空间聚类方法 | |
CN114663777B (zh) | 基于时空联合图注意机制的高光谱影像变化检测方法 | |
CN116740121A (zh) | 一种基于专用神经网络和图像预处理的秸秆图像分割方法 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
CN115565045A (zh) | 基于多尺度空谱变换的高光谱与多光谱图像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150701 |