CN108830330B - 基于自适应特征融合残差网的多光谱图像分类方法 - Google Patents

基于自适应特征融合残差网的多光谱图像分类方法 Download PDF

Info

Publication number
CN108830330B
CN108830330B CN201810650236.8A CN201810650236A CN108830330B CN 108830330 B CN108830330 B CN 108830330B CN 201810650236 A CN201810650236 A CN 201810650236A CN 108830330 B CN108830330 B CN 108830330B
Authority
CN
China
Prior art keywords
layer
residual error
fusion
network
self
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.)
Active
Application number
CN201810650236.8A
Other languages
English (en)
Other versions
CN108830330A (zh
Inventor
焦李成
李玲玲
李阁
冯捷
张丹
尚凡华
刘园园
张梦旋
丁静怡
杨淑媛
侯彪
屈嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810650236.8A priority Critical patent/CN108830330B/zh
Publication of CN108830330A publication Critical patent/CN108830330A/zh
Application granted granted Critical
Publication of CN108830330B publication Critical patent/CN108830330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于自适应特征融合残差网的多光谱图像分类方法，主要解决现有技术中普适性不高以及不能充分利用多层次特征的问题。本发明的具体步骤如下：(1)输入多光谱图像；(2)对多光谱图像进行归一化处理；(3)选取训练样本和测试样本；(4)生成训练数据集；(5)搭建基础残差网；(6)搭建自适应特征融合网；(7)生成自适应特征融合残差网；(8)训练自适应特征融合残差网；(9)生成测试数据集；(10)对测试数据集进行分类。本发明能够自适应地融合多层次的特征，提取判别性更好、语义信息更丰富的特征，具有训练和测试过程简单、充分利用特征的优点。

Description

基于自适应特征融合残差网的多光谱图像分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于自适应特征融合残差网的多光谱遥感图像分类方法。本发明可用于对多光谱遥感图像中的地物进行分类。
背景技术
深度学习方法在图像处理技术领域表现出强大的特征表征能力，降低了人为设计提取特征的不确定性。深度学习方法主要是通过搭建一个深层的模型，利用该模型提取多光谱遥感图像的深层特征，使用该特征对数据进行分类，但是由于目前所使用的网络层数很多，所提取的特征不能很好地拟合多光谱图像的特性。
北京航空航天大学在其申请的专利文献“一种基于光谱与纹理特征的多光谱遥感图像地物分类方法”(专利申请号：201310482404.4，申请公布号：CN103559500A)中提出了一种基于光谱与纹理特征的多光谱遥感图像地物分类方法。该方法的实现步骤为：典型地物样本库的建立、典型地物特征提取与归一化处理、分块的特征选取与规则制定、待分类图像分块处理、支持向量机分类器训练、基于支持向量机的图像块分类和边界块处理；该方法采用四叉树分块技术对图像进行多级分块处理，以图像块的方式提取地物的光谱和纹理特征，其中光谱特征包括各个波段的光谱值、波段间的比值、归一化植被指数、水体指数等，纹理特征包括灰度共生矩的多个统计量(熵、相关性等)和边缘丰度等。该方法存在的不足之处是，在提取地物特征时所使用的光谱和纹理特征是针对实验数据人为设计的，普适性不高，而且训练和测试过程包括对图像进行多级分块处理、提取光谱和纹理两种特征、对图像块进行地物分类、对边缘区域进行处理四部分，训练和测试过程比较复杂，影响多光谱图像分类的效率。
西安电子科技大学在其申请的专利文献“基于深度融合残差网的多光谱图像分类方法”(专利申请号：201711144061.5，申请公布号：CN107832797A)中提出了一种基于深度融合残差网的多光谱图像分类方法。该方法实现的步骤是：(1)输入多光谱图像；(2)对每一幅多光谱图像的每个波段的图像去地物目标归一化处理；(3)获得多光谱图像矩阵；(4)获取数据集；(5)搭建深度融合残差网；(6)训练深度融合残差网；(7)对测试数据集进行分类；在对测试数据集进行分类时，分别用深度残差网提取两个数据集的特征，将两个特征融合后进行分类。该方法存在的不足之处是，在用深度残差网提取两个数据集的特征时，忽略了低层特征所包含的语义信息，没有考虑低层特征与高层特征之间的融合，没有充分利用深度残差网中多层次的特征，提取特征的判别性和鲁棒性不好，影响分类准确率。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于自适应特征融合残差网的多光谱图像分类方法。
实现本发明目的的思路是，构建一个包含基础残差网和自适应特征融合网的自适应特征融合残差网，通过基础残差网提取多层次的特征，利用自适应特征融合网中融合模块，自适应地融合多层次的特征，使提取的特征判别性更好、语义信息更丰富，以提高分类准确率。
本发明的具体步骤包括如下：
(1)输入多光谱图像：
输入一幅包含多个通道、多种地物类标的多光谱图像；
(2)对多光谱图像进行归一化处理：
利用线性归一化法，对多光谱图像的每个通道中每个像素的进行归一化处理，将所有通道的所有像素的归一化值组合，得到归一化后的多光谱图像；
(3)选取训练样本和测试样本：
从多光谱图像中有地物类标像素的每类中，随机选取4000个像素作为训练样本，将其余有地物类标的像素作为测试样本；
(4)生成训练数据集：
以每个训练样本为中心，大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个训练样本对应的图像块，将所有训练样本对应的图像块组成训练数据集；
(5)构建基础残差网：
(5a)搭建一个基础残差网，该基础残差网结构依次为：输入层→卷积层→池化层→第一个残差块→第二个残差块→第三个残差块；其中多个残差块生成多层次的特征；
(5b)设置各层的参数如下：输入层的特征映射图为3个，卷积层的特征映射图为64个，池化层的特征映射图为256个；
(6)构建自适应特征融合网：
(6a)搭建一个自适应特征融合网，该自适应特征融合网结构依次为：第一个融合模块→第二个融合模块→卷积层→池化层→全局池化层→全连接层→softmax分类器层；其中，融合模块实现对输入的两个矩阵的融合，该模块为每个矩阵生成一个对应的权重，分别将两个权重与两个矩阵相乘进行加权，将两个加权后的矩阵相加，完成融合过程；
(6b)设置各层的参数如下：卷积层的特征映射图为256，池化层的特征映射图为256，全连接层特征映射图设置为100；
(7)生成自适应特征融合残差网：
将基础残差网中第二个残差块和第三个残差块的输出，作为自适应特征融合网中第一个融合模块的输入，将自适应特征融合网中第一个融合模块的输出和基础残差网中第一个残差块的输出，作为第二个融合模块的输入，使自适应特征融合网自适应地融合基础残差网中多层次的特征；基础残差网和自适应特征融合网中其他层的输入与输出不变，将修改后的基础残差网和自适应特征融合网组成自适应特征融合残差网；
(8)训练自适应特征融合残差网：
将训练数据集输入到自适应特征融合残差网中进行迭代训练2万次，得到训练好的自适应特征融合残差网；
(9)生成测试数据集：
以每个测试样本为中心，用大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个测试样本对应的图像块，将所有测试样本对应的图像块作为测试数据集；
(10)对测试数据集进行分类：
(10a)将测试数据集输入到训练好的自适应特征融合残差网，得到最终分类结果；
(10b)利用准确率计算公式，计算分类结果的准确率。
本发明与现有的技术相比具有以下优点：
第一，由于本发明搭建了自适应特征融合残差网，利用自适应特征融合残差网提取多光谱图像的特征，是一种自学习的特征提取方法，克服了现有技术中人为设计特征造成的普适性不高以及训练和测试过程复杂的缺点，使得本发明具有普适性高、训练和测试过程简单的优点。
第二，由于本发明先后搭建了基础残差网和自适应特征融合网，利用基础残差网提取多层次的特征，根据基础残差网所提取的多层次特征本身的特性，利用自适应特征融合网中的融合模块对多层次的特征进行融合，克服了现有技术中对网络中多层次的特征利用不充分的缺点。
附图说明
图1是本发明的流程图；
图2是本发明的仿真图。
具体实施方式
下面结合附图1，对本发明做进一步的详细描述。
参照附图1，对本发明的实现步骤做进一步的详细描述。
步骤1.输入多光谱图像。
输入一幅包含多个通道、多种地物类标的多光谱图像。
步骤2.对多光谱图像进行归一化处理。
利用线性归一化法，对多光谱图像的每个通道中每个像素的进行归一化处理，将所有通道的所有像素的归一化值组合，得到归一化后的多光谱图像。
所述的线性归一化法的步骤如下。
第1步，按照下式，计算多光谱图像每个通道中的每个像素的初步归一化值：
Figure BDA0001704546960000041
其中，yi,j表示多光谱图像第i个通道第j个像素的初步归一化值，xi,j表示多光谱图像中第i个通道的第j个像素值，xmin表示第i个通道中的最小像素值，xmax表示第i个通道中的最大像素值。
第2步，按照下式，计算多光谱图像的每个通道中每个像素的归一化值，
Figure BDA0001704546960000042
其中，zk,l表示多光谱图像中第k个通道第l个像素的归一化值，yk,l表示多光谱图像中第k个通道第l个像素的初步归一化值，ymean表示第k个通道中所有像素值的均值，ystd表示第k个通道中所有像素值的方差。
步骤3.选取训练样本和测试样本。
从多光谱图像中有地物类标像素的每类中，随机选取4000个像素作为训练样本，将其余有地物类标的像素作为测试样本。
步骤4.生成训练数据集。
以每个训练样本为中心，大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个训练样本对应的图像块，将所有训练样本对应的图像块组成训练数据集。
步骤5.构建基础残差网。
搭建一个基础残差网，该基础残差网结构依次为：输入层→卷积层→池化层→第一个残差块→第二个残差块→第三个残差块；其中多个残差块生成多层次的特征。
设置基础残差网各层的参数如下：输入层的特征映射图为3个，卷积层的特征映射图为64个，池化层的特征映射图为256个。
所述的第一个残差块、第二个残差块、第三个残差块结构相同，每个残差块设有九层，其结构依次为：第一个卷积层→第一个批归一化层→第一个线性激活函数层→第二个卷积层→第二个批归一化层→第二个线性激活函数层→第三个卷积层→第三个批归一化层→第三个线性激活函数层，其中第一个线性激活函数层与第三个批归一化层连接。
每个残差块各层的参数设置为：第一个卷积层的特征映射图设置为64个，第二个卷积层的特征映射图设置为256个，第三个卷积层的特征映射图设置为256个。
步骤6.构建自适应特征融合网。
搭建一个自适应特征融合网，该自适应特征融合网结构依次为：第一个融合模块→第二个融合模块→卷积层→池化层→全局池化层→全连接层→softmax分类器层。其中，融合模块实现对输入的两个矩阵的融合，该模块为每个矩阵生成一个对应的权重，分别将两个权重与两个矩阵相乘进行加权，将两个加权后的矩阵相加，完成融合过程。
自适应特征融合网各层的参数设置为：卷积层的特征映射图为256，池化层的特征映射图为256，全连接层特征映射图设置为100。
所述的第一个融合模块、第二个融合模块结构相同。每个融合模块结构依次为：输入层→上采样层→池化相加层→第一个全连接层→第二个全连接层→sigmoid层→加权相加层。每个融合模块各层的参数设置为：第一个全连接层的特征映射图设置为8个，第二个全连接层的特征映射图设置为128个。其中，输入层为两个尺寸不同的矩阵，上采样层对尺寸较小的矩阵进行上采样，使两个矩阵的尺寸相同。池化相加层将两个矩阵进行全局池化后相加。将sigmoid层输出的向量以及用全1列向量减去该向量得到的向量作为权重，与两个矩阵一起输入到加权相加层。
步骤7.生成自适应特征融合残差网。
将基础残差网中第二个残差块和第三个残差块的输出，作为自适应特征融合网中第一个融合模块的输入，将自适应特征融合网中第一个融合模块的输出和基础残差网中第一个残差块的输出，作为第二个融合模块的输入，使自适应特征融合网自适应地融合基础残差网中多层次的特征。基础残差网和自适应特征融合网中其他层的输入与输出不变，将修改后的基础残差网和自适应特征融合网组成自适应特征融合残差网。
步骤8.训练自适应特征融合残差网。
将训练数据集输入到自适应特征融合残差网中进行迭代训练2万次，得到训练好的自适应特征融合残差网。
步骤9.生成测试数据集。
以每个测试样本为中心，用大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个测试样本对应的图像块，将所有测试样本对应的图像块作为测试数据集。
步骤10.对测试数据集进行分类。
将测试数据集输入到训练好的自适应特征融合残差网，得到最终分类结果。
利用准确率计算公式，计算分类结果的准确率。
下面结合仿真实验对本发明的效果做进一步的描述。
1.仿真条件：
本发明的仿真实验是在主频2.40GHz*16的Intel(R)Xeon(R)E5-2630CPU、内存为64GB的硬件环境和Caffe的软件环境下进行的。
2.仿真内容与结果分析：
在上述仿真条件下，采用本发明的方法和现有技术中的深度残差网分类方法，分别对卫星QuickBird拍摄的西安地区的部分多光谱图像进行分类，得到分类结果图2所示。其中，图2(a)为本发明仿真实验中与待分类的西安地区的部分多光谱图像对应的真实地物标记图，地物类别包括建筑、平地、路、阴影、土壤、树、水7个类别。图2(b)为使用本发明方法得到的分类结果图。图2(c)为使用现有技术中的深度残差网分类方法得到的分类结果图。
对比图2可以看出：与现有技术中的深度残差网分类方法相比，本发明方法得到的分类结果图更接近于真实地物标记图。
按照下述公式，分别计算本发明方法和深度残差网分类方法的分类准确率：
分类准确率＝总分类正确像素个数/总像素数
两种方法得到的分类准确率对比结果如表1所示。
表1本发明方法和现有技术方法分类准确率对比表
准确率(％) 建筑(％) 平地(％) 路(％) 阴影(％) 土壤(％) 树(％) 水(％)
本发明的方法 95.34 93.10 98.67 98.48 96.40 98.52 93.82 98.99
现有技术 94.54 90.95 97.49 97.52 95.68 98.16 93.50 98.95
从表1可见，与现有技术中的深度残差网方法相比，使用本发明方法得到的分类准确率有所提高，而且每个类别的准确率均有所提高。
综上所述，本发明通过提出自适应特征融合残差网，对残差网中多层次的特征进行自适应地融合，更充分地利用了包含不同语义信息的特征，对不同尺寸的特征融合时，将尺寸较小的特征上采样，更好地保留了特征的细节信息，使得提取的特征判别性和鲁棒性更好，包含更多的语义信息，与现有技术相比，可以得到更高的分类准确率。

Claims (3)

1.一种基于自适应特征融合残差网的多光谱图像分类方法，其特征在于，该方法构建了一个自适应特征融合残差网，利用融合模块，自适应地融合多层次的特征；该方法的具体步骤包括如下：
(1)输入多光谱图像：
输入一幅包含多个通道、多种地物类标的多光谱图像；
(2)对多光谱图像进行归一化处理：
利用线性归一化法，对多光谱图像的每个通道中每个像素进行归一化处理，将所有通道的所有像素的归一化值组合，得到归一化后的多光谱图像；
(3)选取训练样本和测试样本：
从多光谱图像中有地物类标像素的每类中，随机选取4000个像素作为训练样本，将其余有地物类标的像素作为测试样本；
(4)生成训练数据集：
以每个训练样本为中心，大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个训练样本对应的图像块，将所有训练样本对应的图像块组成训练数据集；
(5)构建基础残差网：
(5a)搭建一个基础残差网，该基础残差网结构依次为：输入层→卷积层→池化层→第一个残差块→第二个残差块→第三个残差块；其中多个残差块生成多层次的特征；
(5b)设置各层的参数如下：输入层的特征映射图为3个，卷积层的特征映射图为64个，池化层的特征映射图为256个；
(6)构建自适应特征融合网：
(6a)搭建一个自适应特征融合网，该自适应特征融合网结构依次为：第一个融合模块→第二个融合模块→卷积层→池化层→全局池化层→全连接层→softmax分类器层；其中，融合模块实现对输入的两个矩阵的融合，该模块为每个矩阵生成一个对应的权重，分别将两个权重与两个矩阵相乘进行加权，将两个加权后的矩阵相加，完成融合过程；
所述的第一个融合模块、第二个融合模块结构相同，每个融合模块的结构依次为：输入层→上采样层→池化相加层→第一个全连接层→第二个全连接层→sigmoid层→加权相加层；每个融合模块各层的参数设置为：第一个全连接层的特征映射图设置为8个，第二个全连接层的特征映射图设置为128个；其中，输入层为两个尺寸不同的矩阵，上采样层对尺寸较小的矩阵进行上采样，使两个矩阵的尺寸相同；池化相加层将两个矩阵进行全局池化后相加；将sigmoid层输出的向量以及用全1列向量减去该向量得到的向量作为权重，与两个矩阵一起输入到加权相加层；
(6b)设置各层的参数如下：卷积层的特征映射图为256，池化层的特征映射图为256，全连接层特征映射图设置为100；
(7)生成自适应特征融合残差网：
将基础残差网中第二个残差块和第三个残差块的输出，作为自适应特征融合网中第一个融合模块的输入，将自适应特征融合网中第一个融合模块的输出和基础残差网中第一个残差块的输出，作为第二个融合模块的输入，使自适应特征融合网自适应地融合基础残差网中多层次的特征；基础残差网和自适应特征融合网中其他层的输入与输出不变，将修改后的基础残差网和自适应特征融合网组成自适应特征融合残差网；
(8)训练自适应特征融合残差网：
将训练数据集输入到自适应特征融合残差网中进行迭代训练2万次，得到训练好的自适应特征融合残差网；
(9)生成测试数据集：
以每个测试样本为中心，用大小为32×32的矩阵窗口，对归一化后的多光谱图像进行切块处理，得到每个测试样本对应的图像块，将所有测试样本对应的图像块作为测试数据集；
(10)对测试数据集进行分类：
(10a)将测试数据集输入到训练好的自适应特征融合残差网，得到最终分类结果；
(10b)利用准确率计算公式，计算分类结果的准确率。
2.根据权利要求1所述的基于自适应特征融合残差网的多光谱图像分类方法，其特征在于，步骤(2)中所述的线性归一化法的步骤如下：
第一步，按照下式，计算多光谱图像每个通道中的每个像素的初步归一化值：
Figure FDA0003199798080000031
其中，yi,j表示多光谱图像第i个通道第j个像素的初步归一化值，xi,j表示多光谱图像中第i个通道的第j个像素值，xmin表示第i个通道中的最小像素值，xmax表示第i个通道中的最大像素值；
第二步，按照下式，计算多光谱图像的每个通道中每个像素的归一化值，
Figure FDA0003199798080000032
其中，zk,l表示多光谱图像中第k个通道第l个像素的归一化值，yk,l表示多光谱图像中第k个通道第l个像素的初步归一化值，ymean表示第k个通道中所有像素值的均值，ystd表示第k个通道中所有像素值的方差。
3.根据权利要求1所述的基于自适应特征融合残差网的多光谱图像分类方法，其特征在于，步骤(5a)中所述的第一个残差块、第二个残差块、第三个残差块结构相同，每个残差块设有九层，其结构依次为：第一个卷积层→第一个批归一化层→第一个线性激活函数层→第二个卷积层→第二个批归一化层→第二个线性激活函数层→第三个卷积层→第三个批归一化层→第三个线性激活函数层，其中第一个线性激活函数层与第三个批归一化层连接；各层的参数设置为：第一个卷积层的特征映射图设置为64个，第二个卷积层的特征映射图设置为256个，第三个卷积层的特征映射图设置为256个。
CN201810650236.8A 2018-06-22 2018-06-22 基于自适应特征融合残差网的多光谱图像分类方法 Active CN108830330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810650236.8A CN108830330B (zh) 2018-06-22 2018-06-22 基于自适应特征融合残差网的多光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810650236.8A CN108830330B (zh) 2018-06-22 2018-06-22 基于自适应特征融合残差网的多光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN108830330A CN108830330A (zh) 2018-11-16
CN108830330B true CN108830330B (zh) 2021-11-02

Family

ID=64137460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810650236.8A Active CN108830330B (zh) 2018-06-22 2018-06-22 基于自适应特征融合残差网的多光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN108830330B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275066A (zh) * 2018-12-05 2020-06-12 北京嘀嘀无限科技发展有限公司 一种图像特征的融合方法、装置以及电子设备
CN109919171A (zh) * 2018-12-21 2019-06-21 广东电网有限责任公司 一种基于小波神经网络的红外图像识别方法
CN109785302B (zh) * 2018-12-27 2021-03-19 中国科学院西安光学精密机械研究所 一种空谱联合特征学习网络及多光谱变化检测方法
CN110032928B (zh) * 2019-02-27 2021-09-24 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法
CN110503130B (zh) * 2019-07-19 2021-11-30 西安邮电大学 基于特征融合的现勘图像分类方法
CN110441312A (zh) * 2019-07-30 2019-11-12 上海深视信息科技有限公司 一种基于多光谱成像的产品表面缺陷检测***
CN110443296B (zh) * 2019-07-30 2022-05-06 西北工业大学 面向高光谱图像分类的数据自适应激活函数学习方法
US11410000B2 (en) 2019-08-08 2022-08-09 Beijing Boe Health Technology Co., Ltd. Computer-implemented method, computer-implemented diagnosis method, apparatus for classifying image, and computer-program product
CN111191735B (zh) * 2020-01-04 2023-03-24 西安电子科技大学 基于数据差异和多尺度特征的卷积神经网络影像分类方法
CN111199214B (zh) * 2020-01-04 2023-05-05 西安电子科技大学 一种残差网络多光谱图像地物分类方法
CN113240017B (zh) * 2021-05-18 2023-09-12 西安理工大学 一种基于注意力机制的多光谱和全色图像分类方法
CN114332592B (zh) * 2022-03-11 2022-06-21 中国海洋大学 一种基于注意力机制的海洋环境数据融合方法及***
CN118155036B (zh) * 2024-05-09 2024-07-23 西安兵器工业科技产业开发有限公司 基于多光谱图像融合的图像检测方法及装置、介质、设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049886A (zh) * 2011-10-12 2013-04-17 方正国际软件(北京)有限公司 一种图像纹理修复方法及***
CN103279957A (zh) * 2013-05-31 2013-09-04 北京师范大学 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法
CN105760488A (zh) * 2016-02-17 2016-07-13 北京大学 基于多层次特征融合的图像表达方法和装置
CN105787458A (zh) * 2016-03-11 2016-07-20 重庆邮电大学 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN106845510A (zh) * 2016-11-07 2017-06-13 中国传媒大学 基于深度层级特征融合的中国传统视觉文化符号识别方法
CN107330457A (zh) * 2017-06-23 2017-11-07 电子科技大学 一种基于多特征融合的极化sar图像分类方法
CN107657257A (zh) * 2017-08-14 2018-02-02 中国矿业大学 一种基于多通道卷积神经网络的语义图像分割方法
CN107944470A (zh) * 2017-11-03 2018-04-20 西安电子科技大学 基于轮廓波fcn‑crf的sar图像分类方法
CN108038519A (zh) * 2018-01-30 2018-05-15 浙江大学 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置
CN108133020A (zh) * 2017-12-25 2018-06-08 上海七牛信息技术有限公司 视频分类方法、装置、存储介质及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10068171B2 (en) * 2015-11-12 2018-09-04 Conduent Business Services, Llc Multi-layer fusion in a convolutional neural network for image classification

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049886A (zh) * 2011-10-12 2013-04-17 方正国际软件(北京)有限公司 一种图像纹理修复方法及***
CN103279957A (zh) * 2013-05-31 2013-09-04 北京师范大学 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法
CN105760488A (zh) * 2016-02-17 2016-07-13 北京大学 基于多层次特征融合的图像表达方法和装置
CN105787458A (zh) * 2016-03-11 2016-07-20 重庆邮电大学 基于人工设计特征和深度学习特征自适应融合的红外行为识别方法
CN106845510A (zh) * 2016-11-07 2017-06-13 中国传媒大学 基于深度层级特征融合的中国传统视觉文化符号识别方法
CN107330457A (zh) * 2017-06-23 2017-11-07 电子科技大学 一种基于多特征融合的极化sar图像分类方法
CN107657257A (zh) * 2017-08-14 2018-02-02 中国矿业大学 一种基于多通道卷积神经网络的语义图像分割方法
CN107944470A (zh) * 2017-11-03 2018-04-20 西安电子科技大学 基于轮廓波fcn‑crf的sar图像分类方法
CN108133020A (zh) * 2017-12-25 2018-06-08 上海七牛信息技术有限公司 视频分类方法、装置、存储介质及电子设备
CN108038519A (zh) * 2018-01-30 2018-05-15 浙江大学 一种基于稠密的特征金字塔网络的宫颈图像处理方法及装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"Squeeze-and-Excitation Networks";Jie Hu;《arXiv》;20170905;第1-11页 *
"Deep Multiscale Spectral-Spatial Feature Fusion for Hyperspectral Images Classification";Miaomiao Liang等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20180608;第11卷(第8期);第2911-2924页 *
"Hyperspectral Image Classification With Deep Feature Fusion Network";Weiwei Song等;《IEEE Transactions on Geoscience and Remote Sensing》;20180228;第56卷(第6期);第3173-3184页 *
"Intergrating Multilayer Features of Convolutional Neural Networks for Remote Sensing Scene Classification";Erzhu Li等;《IEEE Transactions on Geoscience and Remote Sensing》;20171010;第55卷(第10期);第5653-5665页 *
"全卷积网络多层特征融合的飞机快速检测";辛鹏等;《光学学报》;20180331;第38卷(第3期);第1-7页 *
"基于核函数粒子滤波和多特征自适应融合的目标跟踪";袁广林等;《计算机辅助设计与图形学学报》;20091231;第21卷(第12期);第1774-1784页 *
"基于自适应特征融合的均值迁移目标跟踪";汪首坤等;《北京理工大学学报》;20110731;第31卷(第7期);第803-809页 *

Also Published As

Publication number Publication date
CN108830330A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108830330B (zh) 基于自适应特征融合残差网的多光谱图像分类方法
CN110516596B (zh) 基于Octave卷积的空谱注意力高光谱图像分类方法
CN110348399B (zh) 基于原型学习机制和多维残差网络的高光谱智能分类方法
CN107944483B (zh) 基于双通道dcgan和特征融合的多光谱图像分类方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
CN103955702A (zh) 基于深度rbf网络的sar图像地物分类方法
CN105117736B (zh) 基于稀疏深度堆栈网络的极化sar图像分类方法
CN113705580B (zh) 基于深度迁移学习的高光谱图像分类方法
CN115116054B (zh) 一种基于多尺度轻量级网络的病虫害识别方法
CN112232328A (zh) 基于卷积神经网络的遥感影像建筑区提取方法、装置
CN112200123B (zh) 联合稠密连接网络和样本分布的高光谱开放集分类方法
CN111339862B (zh) 一种基于通道注意力机制的遥感场景分类方法及装置
CN114943893B (zh) 一种土地覆盖分类的特征增强方法
CN115909052A (zh) 一种基于混合卷积神经网络的高光谱遥感图像分类方法
CN110807485B (zh) 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法
CN108256557B (zh) 结合深度学习和邻域集成的高光谱图像分类方法
CN115331104A (zh) 一种基于卷积神经网络的农作物种植信息提取方法
CN110956201B (zh) 一种基于卷积神经网络的图像失真类型分类方法
CN115908924A (zh) 一种基于多分类器的小样本高光谱图像语义分割方法及***
CN116843975A (zh) 结合空间金字塔注意力机制的高光谱图像分类方法
CN111738052A (zh) 基于深度学习的多特征融合高光谱遥感地物分类方法
CN111191704A (zh) 一种基于任务图卷积网络的地基云分类方法
CN112329818B (zh) 基于图卷积网络嵌入表征的高光谱图像非监督分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant