CN109145992B - 协作生成对抗网络和空谱联合的高光谱图像分类方法 - Google Patents
协作生成对抗网络和空谱联合的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN109145992B CN109145992B CN201810977887.8A CN201810977887A CN109145992B CN 109145992 B CN109145992 B CN 109145992B CN 201810977887 A CN201810977887 A CN 201810977887A CN 109145992 B CN109145992 B CN 109145992B
- Authority
- CN
- China
- Prior art keywords
- layer
- generator
- scale
- convolution
- convolutional layer
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其步骤如下:输入高光谱图像;获取样本集;产生训练样本与测试样本;搭建多尺度判别器;构建协作关系;搭建协作生成对抗网络;训练样本通过多尺度判别器产生初始值;生成器生成样本;多尺度判别器进行分类;构建生成器和多尺度判别器的损失函数;交替训练生成器与多尺度判别器;对高光谱图像进行分类。本发明利用搭建的协作生成对抗网络,提取像元的空谱联合特征,同时生成样本更加逼真,增加样本数量,缓解了网络过拟合、网络收敛速度慢的问题,提高了高光谱图像分类的准确性。
Description
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协作生成对抗网络和空谱联合的高光谱图像分类方法。本发明可以在采集的高光谱图像中对水下障碍物及陆地上坦克军舰进行检测识别,以及对高光谱图像中的农作物进行种类分析。
背景技术
高光谱图像可获取目标地物在紫外、可见光、近红外和中红外等大量波段内近似连续的光谱信息,并以图像的形式描述地物的空间分布关系,从而建立“图谱合一”的数据,可以实现对地物精确的辨别与细节提取,对于认识客观世界提供了有利条件。近年来,基于向量的机器学习算法如随机森林、支撑向量机,以及基于深度学习的卷积神经网络算法等已经应用在高光谱图像的分类上,均取得了不错的效果。然而,随着高光谱成像技术的进一步发展和应用程度的不断深入,高光谱图像分类领域依然存在以下一些问题,一方面随着空间和光谱分辨率的提高,高光谱图像的空间信息和光谱信息量猛增,传统的方法不能充分提取这两类信息中的高辨识性特征并进行两种特征的融合分类,导致分类精度不高,另一方面在高光谱图像中,深度学习需要大量的有标签数据作为训练样本,而在高光谱图像中,难以收集到足够的有标签数据,因此在基于深度学习的高光谱图像分类中,高光谱图像小样本问题严重限制了高光谱图像的分类精度。
佛山市南海区广工大数控装备协同创新研究院在其申请的专利文献“基于K最近邻滤波的高光谱图像分类方法”(专利申请号:201710142633.X,公开号:CN107092921A)中提出了一种高光谱图像分类方法。该方法首先利用支撑向量机SVM分类器对高光谱图像进行粗分类,得到初始概率图后,利用主成分分析法对高光谱图像降维得到第一主成分图像,然后基于非局部K最近邻滤波器,在第一主成分图像的引导下提取高光谱图像的空间信息,对初始概率图进行优化,最后根据优化后的概率图,获取高光谱图像的准确分类。该方法虽然不用去求解复杂的全局能量最优化问题,就能提取高光谱图像的非局部空间信息去优化分类,但是,该方法仍然存在的不足之处是,针对高光谱图像同类像素光谱差异性大而不同类像素空间特征差异小的问题,只提取高光谱图像的空间特征,会导致大量错分现象,从而导致分类准确性不高。
广东省智能制造研究所在其申请的专利文献“基于卷积神经网络及空谱信息融合的高光谱图像分类方法”(专利申请号:201711056964.8,公开号:CN107909015A)中提出了一种基于卷积神经网络及空谱信息融合的高光谱图像分类方法。该方法首先提取高光谱图像每一像素点的X、Y轴坐标作为空间信息,并将空间信息与光谱信息合并,作为一个样品的特征信息,然后随机划分训练集与测试集数据,再将包括空间信息与光谱信息的训练集样本放入一维卷积神经网络,训练分类模型,最后将包括空间信息与光谱信息的训练集样本放入分类模型,进行分类预测。该方法虽然充分利用了高光谱数据“空谱合一”的特征以及“双高分辨率”的特征,但是,该方法仍然存在的不足之处是,使用卷积神经网络训练时,网络参数多导致网络训练时间长,且样本数目相对于网络参数数目过少,导致网络出现过拟合,从而导致分类准确性不高。
发明内容
本发明的目的是针对上述现有技术的不足,提出了一种基于协作生成对抗网络和空谱联合的高光谱图像分类方法。
实现本发明目的的思路是:先搭建生成器和多尺度判别器,利用多尺度判别器向生成器中输入先验信息,构建协作生成对抗网络,再用生成器生成样本,将训练样本和生成样本按批次输入多尺度判别器,提取空谱联合特征并进行分类,然后构造生成器和多尺度判别器的损失函数,交替训练生成器和多尺度判别器,最后将测试样本输入训练好的协作生成对抗网络的多尺度判别器中,得到高光谱图像的分类结果。
本发明的具体步骤如下方法:
(1)获取训练样本集和测试样本集:
(1a)利用主成分分析方法,对高光谱数据进行降维;
(1b)从降维后的高光谱图像中提取所有包含标签的像素点,以每个所提取的像素点为中心,将其周围27×27个像素点空间窗中所有的像素点,组成一个数据立方体,将所有的数据立方体组成高光谱图像的样本集;
(1c)从样本集中随机选取5%的样本,组成训练样本集,剩余95%组成测试样本集;
(2)构建生成器网络:
(2a)构建一个六层的生成器网络,其结构依次为:输入层→全连接层→第一个转置卷积层→第二个转置卷积层→第三个转置卷积层→第四个转置卷积层;
(2b)设置生成器各层参数;
(3)构建多尺度判别器网络:
(3a)构建一个六层的多尺度判别器网络,其结构依次为:输入层→第一个多尺度卷积层→第二个多尺度卷积层→第三个多尺度卷积层→第四个多尺度卷积层→全连接层→soft-max多分类层;
(3b)设置多尺度判别器各层参数;
(4)通过层间加和构建协作关系:
(4a)依次将训练样本按批次输入到多尺度判别器,得到多尺度判别器中的四个卷积层每层输出的特征图;
(4b)在高斯分布中随机采样,生成100维的高斯噪声向量输入到生成器,得到生成器中的全连接层输出的特征图;
(4c)用生成器中的全连接层输出的特征图与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果再输入到生成器中的第一个转置卷积层,得到生成器中第一个转置卷积层输出的特征图;
(4d)用生成器中第一个转置卷积层输出的特征图与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果再输入到生成器中的第二个转置卷积层,得到生成器中第二个转置卷积层输出的特征图;
(4e)用生成器中第二个转置卷积层输出的特征图与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果再输入到生成器中的第三个转置卷积层,得到生成器中第三个转置卷积层输出的特征图;
(4f)将生成器中第三个转置卷积层输出的特征图与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果再输入到生成器中的第四个转置卷积层;
(5)构建协作生成对抗网络:
(5a)将生成器和多尺度判别器组成协作生成对抗网络;
(5b)设置协作生成对抗网络参数:将降维维度设置为3维,将网络迭代次数设置为700,将样本输入批量值设置为128,将生成器的学习率设置为0.01,将多尺度判别器的学习率设置为0.005;
(6)利用多尺度判别器提取空谱联合特征:
(6a)将训练样本和生成样本按批次输入到多尺度判别器;
(6b)利用1×1卷积核,对输入的每个样本进行二维卷积操作,通过通道间的信息交互,得到每个样本的光谱特征;
(6c)利用3×3卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征;
(6d)利用5×5卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征;
(6e)将每个样本的光谱特征与两个不同尺度的空间特征进行级联,得到高光谱图像不同尺度的空谱联合特征;
(7)用生成器生成样本:
(7a)在高斯分布中随机采样,生成100维的高斯噪声向量,输入到生成器的全连接层,依次进行线性的全连接变换→非线性ReLu变换→矩阵形状变换→批标准化,得到全连接层输出的2×2×128个像素大小的特征图;
(7b)用全连接层输出的特征图与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果输入到生成器的第一个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第一个转置卷积层输出的4×4×64个像素大小的特征图;
(7c)用第一个转置卷积层输出的特征图与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果输入到生成器中的第二个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第二个转置卷积层输出的7×7×32个像素大小的特征图;
(7d)用第二个转置卷积层输出的特征图与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果输入到生成器中的第三个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第三个转置卷积层输出的14×14×16个像素大小的特征图;
(7e)用第三个转置卷积层输出的特征图与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果输入到生成器中的第四个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到27×27×3个像素大小的生成样本;
(7f)判断当前生成器的迭代次数是否为10,若是,则得到训练好的生成样本后执行步骤(8),否则,将当前迭代次数加上1后执行步骤(7);
(8)用多尺度判别器对训练样本进行分类:
将高光谱图像中随机选取的训练样本,按批次输入到多尺度判别器中,进行非线性映射,输出训练样本的预测标签;
(9)用多尺度判别器对训练好的生成样本进行分类:
用生成器训练好的生成样本输入到多尺度判别器中,进行非线性映射,输出生成样本的预测标签;
(10)构造生成器和多尺度判别器的损失函数:
(10a)将训练样本和用生成器训练好的生成样本,按批次输入到多尺度判别器中,得到训练样本的预测标签和生成样本的预测标签;
(10b)利用交叉熵公式,计算生成样本的预测标签与训练样本的真实标签中,相同位置元素之间的交叉熵,作为生成器的损失函数;
(10c)利用交叉熵公式,计算生成样本的预测标签与生成样本的真实标签中,相同位置元素之间的交叉熵,以及计算训练样本的预测标签与训练样本的真实标签中,相同位置元素之间的交叉熵,将两个交叉熵相加后作为判别器的损失函数;
(11)交替训练生成器和多尺度判别器:
(11a)利用梯度下降方法,固定多尺度判别器参数,用生成器的损失函数训练生成器;
(11b)利用梯度下降方法,固定生成器参数,用多尺度判别器的损失函数训练多尺度判别器;
(12)判断协作生成对抗网络是否收敛,若是,则执行步骤(13),否则,执行步骤(11);
(13)对高光谱图像进行分类:
将高光谱图像的测试样本输入到训练好的协作生成对抗网络的多尺度判别器中,输出测试样本的预测标签,获得分类结果。
本发明与现有技术相比较,具有以下优点:
第一,由于本发明建立生成器网络和多尺度判别器网络,多尺度判别器利用不同尺度的卷积核,分别提取高光谱图像的空间和谱间特征,克服了现有技术针对高光谱图像同类像素光谱差异性大,而不同类像素空间特征差异小的现象,只提取高光谱图像的空间特征,会导致大量错分现象,从而导致分类准确性不高的问题,使得本发明充分利用了高光谱图像的空谱联合特征,提高了对高光谱图像分类的准确性。
第二,由于本发明将多尺度判别器网络每层的输出结果作为生成器对应层的先验信息,利用生成器与多尺度判别器的层间特征,构建协作生成对抗网络,克服了现有技术中网络参数多导致网络训练时间长,且样本数目相对于网络参数数目过少,导致网络出现过拟合,从而导致分类准确性不高的问题,使得本发明缓解了在样本数量较少的情况下出现的网络过拟合现象。
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
下面结合附图对本发明做进一步的描述。
参照附图1,对本发明的具体步骤做进一步的描述。
步骤1.获取训练样本集和测试样本集。
利用主成分分析方法,对高光谱数据进行降维。
所述的主成分分析方法的步骤如下。
第1步,将高光谱图像矩阵中每个像素点的200维光谱通道,展开成一个1×200的特征矩阵。
第2步,对特征矩阵中的元素按列求平均值,用特征矩阵中的每个元素分别减去该特征矩阵其对应列的均值。
第3步,对特征矩阵中每两列元素求协方差,构造特征矩阵的协方差矩阵,依次依照下述两个公式,求特征矩阵的协方差矩阵。
σ(xj,xk)=E[(xj-E(xj))(xk-E(xk))]
其中,σ(xj,xk)表示xj和xk之间的协方差,j,k=1…m,m表示特征矩阵列数,E表示求矩阵期望,A代表协方差矩阵。
第4步,利用协方差矩阵的特征方程,求得与特征向量一一对应的所有协方差矩阵的特征值,求解下式,得到协方差矩阵的特征值和特征向量。
其中,A为协方差矩阵,λ0为求解得到的特征值,E为求解得到的特征向量。
第5步,将所有特征值按照从大到小排序,从排序中选择前3个特征值,将3个特征值分别对应的特征向量,按列组成特征向量矩阵。
第6步,将高光谱图像矩阵投影到选取的特征向量矩阵上,得到降维后的特征矩阵。
从一幅高光谱图像中提取所有包含标签的像素点,以每个所提取的像素点为中心,将其周围27×27个像素点空间窗中所有的像素点,组成一个数据立方体,将所有的数据立方体组成高光谱图像的样本集。
从样本集中随机选取5%的样本,组成训练样本集,剩余95%组成测试样本集。
步骤2.构建生成器网络。
构建一个六层的生成器网络,其结构依次为:输入层→全连接层→第一个转置卷积层→第二个转置卷积层→第三个转置卷积层→第四个转置卷积层。
所述转置卷积层结构依次为:转置卷积层→非线性ReLu变换层→批标准化层。
设置生成器各层参数。
所述生成器各层参数设置如下。
将输入层输入随机噪声向量维度为100维。
将全连接层输入和输出节点个数分别设置为100和512。
将第一个转置卷积层特征映射图总数设置为128个,卷积核大小设置为5×5,步长大小设置为2。
将第二个转置卷积层特征映射图总数设置为64个,卷积核大小设置为5×5,步长大小设置为2。
将第三个转置卷积层特征映射图总数设置为32个,卷积核大小设置为5×5,步长大小设置为2。
将第四个转置卷积层特征映射图总数设置为16个,卷积核大小设置为5×5,步长大小设置为2。
步骤3.构建多尺度判别器网络。
构建一个六层的多尺度判别器网络,其结构依次为:输入层→第一个多尺度卷积层→第二个多尺度卷积层→第三个多尺度卷积层→第四个多尺度卷积层→全连接层→soft-max多分类层。
所述多尺度卷积层结构依次为:三个不同尺度的卷积核→非线性ReLu变换→批标准化→最大池化→级联,其中三个不同尺度的卷积核分别为1×1个像素,3×3个像素,5×5个像素,该多尺度卷积层具体参数设置如下。
将第一个多尺度卷积层特征映射图总数设置为16个,卷积核大小为1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为5,5,6。
将第二个多尺度卷积层特征映射图总数设置为32个,卷积核大小为1×1,3×3,5×5的对应步长大小设置为1,2,2,对应特征映射图个数分别设置为10,10,12。
将第三个多尺度卷积层特征映射图总数设置为64个,卷积核大小1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为20,20,24。
将第四个多尺度卷积层特征映射图总数设置为128个,卷积核大小1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为40,40,48。
设置多尺度判别器的各层参数。
所述设置多尺度判别器中各层参数如下。
将输入层特征映射图大小设置为27×27×3。
将全连接层的输入和输出节点个数分别设置为128和512。
设置soft-max多分类层输出节点个数等于高光谱图像中地物种类个数。
步骤4.通过层间加和构建协作关系。
将训练样本按批次输入到多尺度判别器,得到多尺度判别器中的四个卷积层每层输出的特征图。
在高斯分布中随机采样,生成100维的高斯噪声向量输入到生成器,得到生成器中的全连接层输出的特征图。
用生成器中的全连接层输出的特征图,与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果再输入到生成器中的第一个转置卷积层,得到生成器中第一个转置卷积层输出的特征图。
用生成器中第一个转置卷积层输出的特征图,与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果再输入到生成器中的第二个转置卷积层,得到生成器中第二个转置卷积层输出的特征图。
用生成器中第二个转置卷积层输出的特征图,与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果再输入到生成器中的第三个转置卷积层,得到生成器中第三个转置卷积层输出的特征图。
将生成器中第三个转置卷积层输出的特征图,与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果再输入到生成器中的第四个转置卷积层。
步骤5.构建协作生成对抗网络。
将生成器和多尺度判别器组成协作生成对抗网络。
设置协作生成对抗网络参数:将降维维度设置为3维,将网络迭代次数设置为700,将样本输入批量值设置为128,将生成器的学习率设置为0.01,将多尺度判别器的学习率设置为0.005。
步骤6.利用多尺度判别器提取空谱联合特征。
依次将训练样本和生成样本按批次输入到多尺度判别器。
利用1×1卷积核,对输入的每个样本进行二维卷积操作,通过通道间的信息交互,得到每个样本的光谱特征。
利用3×3卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征。
利用5×5卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征。
将每个样本的光谱特征与两个不同尺度的空间特征进行级联,得到高光谱图像不同尺度的空谱联合特征。
步骤7.用生成器生成样本。
在高斯分布中随机采样,生成100维的高斯噪声向量,输入到生成器的全连接层,依次进行线性的全连接变换→非线性ReLu变换→矩阵形状变换→批标准化,得到全连接层输出的2×2×128个像素大小的特征图。
用全连接层输出的特征图与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果输入到生成器的第一个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第一个转置卷积层输出的4×4×64个像素大小的特征图。
用第一个转置卷积层输出的特征图与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果输入到生成器中的第二个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第二个转置卷积层输出的7×7×32个像素大小的特征图。
用第二个转置卷积层输出的特征图与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果输入到生成器中的第三个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第三个转置卷积层输出的14×14×16个像素大小的特征图。
用第三个转置卷积层输出的特征图与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果输入到生成器中的第四个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到27×27×3个像素大小的生成样本。
判断当前生成器的迭代次数是否为10,若是,则得到训练好的生成样本后执行步骤9,否则,将当前迭代次数加上1后执行步骤7。
步骤8.用多尺度判别器对训练样本进行分类。
用高光谱图像中随机选取的训练样本按批次输入到多尺度判别器中,进行非线性映射,输出训练样本的预测标签。
所述非线性映射的步骤如下。
第1步,将样本按批次输入到多尺度判别器的第一个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第一个卷积层输出的14×14×16个像素大小的特征图。
第2步,将第一个卷积层输出的特征图输入到第二个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第二个卷积层输出的7×7×32个像素大小的特征图。
第3步,将第二个卷积层输出的特征图输入到第三个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第三个卷积层输出的4×4×64个像素大小的特征图。
第4步,将第三个卷积层输出的特征图输入到第四个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第四个卷积层输出的2×2×128个像素大小的特征图。
第5步,将第四个卷积层输出的特征图输入到多分类层,依次进行矩阵形状变换→线性全连接变换→非线性soft-max变换,得到输入样本的预测标签。
步骤9.用多尺度判别器对训练好的生成样本进行分类。
用生成器训练好的生成样本输入到多尺度判别器中,进行非线性映射,输出生成样本的预测标签。
所述非线性映射的步骤如下。
第1步,将样本按批次输入到多尺度判别器的第一个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第一个卷积层输出的14×14×16个像素大小的特征图。
第2步,将第一个卷积层输出的特征图输入到第二个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第二个卷积层输出的7×7×32个像素大小的特征图。
第3步,将第二个卷积层输出的特征图输入到第三个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第三个卷积层输出的4×4×64个像素大小的特征图。
第4步,将第三个卷积层输出的特征图输入到第四个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第四个卷积层输出的2×2×128个像素大小的特征图。
第5步,将第四个卷积层输出的特征图输入到多分类层,依次进行矩阵形状变换→线性全连接变换→非线性soft-max变换,得到输入样本的预测标签。
步骤10.构造生成器和多尺度判别器的损失函数。
将训练样本和用生成器训练好的生成样本,按批次输入到多尺度判别器中,得到训练样本的预测标签和生成样本的预测标签。
利用交叉熵公式,计算输入的每个生成样本的预测标签与每个训练样本的真实标签中,相同位置的元素之间的交叉熵,作为生成器的损失函数。
所述交叉熵公式如下。
其中,L表示交叉熵,∑表示求和操作,yi表示标签向量中第i个元素值,ln表示以自然指数e为底的对数操作,表示预测标签向量中第m个元素值,当i=m时,yi和表示真实标签向量和预测标签向量中同一个位置的对应元素值。
所述的计算预测标签和真实标签之间的交叉熵的步骤如下。
第1步,对预测标签中的每一个元素值分别进行以e为底的对数操作,将对数操作后的所有元素组成向量Y。
第2步,用向量Y中的每一个元素值乘以真实标签中相同位置的元素值。
第3步,对乘法操作之后的所有元素值进行求和,将求和结果作为预测标签和真实标签之间的交叉熵。
利用交叉熵公式,计算生成样本的预测标签与生成样本的真实标签中,相同位置元素之间的交叉熵,以及计算训练样本的预测标签与训练样本的真实标签中,相同位置元素之间的交叉熵,将两个交叉熵相加后作为判别器的损失函数。
所述交叉熵公式如下。
其中,L表示交叉熵,∑表示求和操作,yi表示标签向量中第i个元素值,ln表示以自然指数e为底的对数操作,表示预测标签向量中第m个元素值,当i=m时,yi和表示真实标签向量和预测标签向量中同一个位置的对应元素值。
所述的计算预测标签和真实标签之间的交叉熵的步骤如下。
第1步,对预测标签中的每一个元素值分别进行以e为底的对数操作,将对数操作后的所有元素组成向量Y。
第2步,用向量Y中的每一个元素值乘以真实标签中相同位置的元素值。
第3步,对乘法操作之后的所有元素值进行求和,将求和结果作为预测标签和真实标签之间的交叉熵。
步骤11.交替训练生成器和多尺度判别器。
利用梯度下降方法,固定多尺度判别器参数,用生成器的损失函数训练生成器。
利用梯度下降方法,固定生成器参数,用多尺度判别器的损失函数训练多尺度判别器。
步骤12.判断协作生成对抗网络是否收敛,若是,则执行步骤13,否则,执行步骤11。
所述协作生成对抗网络收敛是指,生成器生成的样本,能够完好拟合训练样本的真实分布,使生成器和多尺度判别器在训练过程中达到纳什均衡。
步骤13.对高光谱图像进行分类。
将高光谱图像的测试样本输入到训练好的协作生成对抗网络的多尺度判别器中,输出测试样本的预测标签,获得分类结果。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel i75930k CPU,主频为3.5GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作***和python 3.6。
本发明仿真实验所使用的输入图像为印第安松树Indian Pines高光谱图像,该高光谱数据采集自美国印第安纳州西北部印第安遥感试验区,成像时间为1992年6月,图像大小为145×145×200个像素,图像共包含220个波段和16类地物,图像格式为mat。
2.仿真内容:
本发明仿真实验是采用本发明和两个现有技术(支撑向量机SVM分类方法、卷积神经网络CNN分类方法)对输入的印第安松树Indian Pines高光谱图像进行分类,获得分类结果图。
在仿真实验中,采用的两个现有技术是指:
现有技术支撑向量机SVM分类方法是指,Melgani等人在“Classification ofhyperspectral remote sensing images with support vector machines,IEEETrans.Geosci.Remote Sens.,vol.42,no.8,pp.1778–1790,Aug.2004”中提出的高光谱图像分类方法,简称支撑向量机SVM分类方法。
现有技术卷积神经网络CNN分类方法是指,Yu等人在“Convolutional neuralnetworks for hyperspectral image classification,”Neurocomputing,vol.219,pp.88-98,2017”中提出的高光谱图像分类方法,简称卷积神经网络CNN分类方法。
图2为仿真图。其中,图2(a)为由高光谱图像波段中第50个,第27个和第17个波段构成的伪彩色图像。图2(b)为输入的高光谱图像印第安松树Indian Pines的真实地物分布图,其大小为145×145个像素。图2(c)为采用现有技术支撑向量机SVM分类方法,对印第安松树Indian Pines高光谱图像进行分类的结果图。图2(d)为采用现有技术卷积神经网络CNN方法,对印第安松树Indian Pines高光谱图像进行分类的结果图。图2(e)为利用本发明的方法,对印第安松树Indian Pines高光谱图像进行分类的结果图。
3.仿真结果分析:
由附图2(c)可以看出,现有技术的支撑向量机SVM分类结果噪点较多,边缘平滑性不好,主要因为该方法只提取了高光谱图像像元的光谱特征,没有提取空间特征,使得分类准确性不高。
由附图2(d)可以看出,现有技术的卷积神经网络方法分类结果,相比于支撑向量机SVM分类结果,其噪点较少,但是卷积神经网络方法分类仍然存在样本数目相对于参数数目过少,导致网络出现过拟合的问题,使得样本错分较多。
由附图2(e)可以看出,本发明的分类结果相比于支撑向量机SVM分类结果和卷积神经网络方法分类结果,其噪点较少,且具有较好的区域一致性和边缘平滑性,证明本发明的分类效果优于前两种现有技术分类方法,分类效果较理想。
利用两个评价指标(总精度OA、平均精度AA)分别对分类结果进行评价。利用下式,以像素为基本单位,分别计算本发明和两个现有技术的高光谱图像分类结果的总体分类精度OA和平均分类精度AA:
表1.仿真实验中本发明和各现有技术分类结果的定量分析表
将附图2(c)、2(d)、2(e)中以像素为基本单位,计算16类地物的分类精度,总精度OA,平均精度AA,将所有计算结果绘制成表1。
其中,16类地物的分类精度的计算公式如下:
结合表1可以看出,本发明的总体分类精度OA为96.8%,平均分类精度AA为94.5%,这两个指标均高于2种现有技术方法,证明本发明可以得到更高的高光谱图像分类精度。
以上仿真实验表明:本发明方法利用搭建的协作生成对抗网络,能够提取高光谱图像的空谱联合特征,利用多尺度判别器向生成器添加先验信息,提高了生成样本质量,增加了样本数量,解决了现有技术方法中存在的只提取空间特征、样本数目过少导致的网络过拟合、图像分类精度低的问题,使得本发明提高了在样本数量较少的情况下分类的准确性,是一种非常实用的高光谱图像分类方法。
Claims (8)
1.一种基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,分别建立生成器网络和多尺度判别器网络,多尺度判别器利用不同尺度的卷积核,提取高光谱图像的空间和谱间特征,将多尺度判别器每层的输出结果作为生成器对应层的先验信息,利用生成器与多尺度判别器的层间特征,构建协作生成对抗网络;该方法具体步骤包括如下:
(1)获取训练样本集和测试样本集:
(1a)利用主成分分析方法,对高光谱数据进行降维;
(1b)从降维后的高光谱图像中提取所有包含标签的像素点,以每个所提取的像素点为中心,将其周围27×27个像素点空间窗中所有的像素点,组成一个数据立方体,将所有的数据立方体组成高光谱图像的样本集;
(1c)从样本集中随机选取5%的样本,组成训练样本集,剩余95%组成测试样本集;
(2)构建生成器网络:
(2a)构建一个六层的生成器网络,其结构依次为:输入层→全连接层→第一个转置卷积层→第二个转置卷积层→第三个转置卷积层→第四个转置卷积层;
(2b)设置生成器各层参数;
(3)构建多尺度判别器网络:
(3a)构建一个七 层的多尺度判别器网络,其结构依次为:输入层→第一个多尺度卷积层→第二个多尺度卷积层→第三个多尺度卷积层→第四个多尺度卷积层→全连接层→soft-max多分类层;
(3b)设置多尺度判别器各层参数;
(4)通过层间加和构建协作关系:
(4a)依次将训练样本按批次输入到多尺度判别器,得到多尺度判别器中的四个卷积层每层输出的特征图;
(4b)在高斯分布中随机采样,生成100维的高斯噪声向量输入到生成器,得到生成器中的全连接层输出的特征图;
(4c)用生成器中的全连接层输出的特征图与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果再输入到生成器中的第一个转置卷积层,得到生成器中第一个转置卷积层输出的特征图;
(4d)用生成器中第一个转置卷积层输出的特征图与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果再输入到生成器中的第二个转置卷积层,得到生成器中第二个转置卷积层输出的特征图;
(4e)用生成器中第二个转置卷积层输出的特征图与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果再输入到生成器中的第三个转置卷积层,得到生成器中第三个转置卷积层输出的特征图;
(4f)将生成器中第三个转置卷积层输出的特征图与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果再输入到生成器中的第四个转置卷积层;
(5)构建协作生成对抗网络:
(5a)将生成器和多尺度判别器组成协作生成对抗网络;
(5b)设置协作生成对抗网络参数:将降维维度设置为3维,将网络迭代次数设置为700,将样本输入批量值设置为128,将生成器的学习率设置为0.01,将多尺度判别器的学习率设置为0.005;
(6)利用多尺度判别器提取空谱联合特征:
(6a)将训练样本和生成样本按批次输入到多尺度判别器;
(6b)利用1×1卷积核,对输入的每个样本进行二维卷积操作,通过通道间的信息交互,得到每个样本的光谱特征;
(6c)利用3×3卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征;
(6d)利用5×5卷积核,对输入的每个样本进行二维卷积操作,得到每个样本的空间特征;
(6e)将每个样本的光谱特征与两个不同尺度的空间特征进行级联,得到高光谱图像不同尺度的空谱联合特征;
(7)用生成器生成样本:
(7a)在高斯分布中随机采样,生成100维的高斯噪声向量,输入到生成器的全连接层,依次进行线性的全连接变换→非线性ReLu变换→矩阵形状变换→批标准化,得到全连接层输出的2×2×128个像素大小的特征图;
(7b)用全连接层输出的特征图与多尺度判别器中第四个卷积层输出的特征图加和,将加和结果输入到生成器的第一个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第一个转置卷积层输出的4×4×64个像素大小的特征图;
(7c)用第一个转置卷积层输出的特征图与多尺度判别器中第三个卷积层输出的特征图加和,将加和结果输入到生成器中的第二个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第二个转置卷积层输出的7×7×32个像素大小的特征图;
(7d)用第二个转置卷积层输出的特征图与多尺度判别器中第二个卷积层输出的特征图加和,将加和结果输入到生成器中的第三个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到第三个转置卷积层输出的14×14×16个像素大小的特征图;
(7e)用第三个转置卷积层输出的特征图与多尺度判别器中第一个卷积层输出的特征图加和,将加和结果输入到生成器中的第四个转置卷积层,依次进行转置卷积操作→非线性ReLu变换→批标准化,得到27×27×3个像素大小的生成样本;
(7f)判断当前生成器的迭代次数是否为10,若是,则得到训练好的生成样本后执行步骤(8),否则,将当前迭代次数加上1后执行步骤(7);
(8)用多尺度判别器对训练样本进行分类:
将高光谱图像中随机选取的训练样本,按批次输入到多尺度判别器中,进行非线性映射,输出训练样本的预测标签;
(9)用多尺度判别器对训练好的生成样本进行分类:
用生成器训练好的生成样本输入到多尺度判别器中,进行非线性映射,输出生成样本的预测标签;
(10)构造生成器和多尺度判别器的损失函数:
(10a)将训练样本和用生成器训练好的生成样本,按批次输入到多尺度判别器中,得到训练样本的预测标签和生成样本的预测标签;
(10b)利用交叉熵公式,计算生成样本的预测标签与训练样本的真实标签中,相同位置元素之间的交叉熵,作为生成器的损失函数;
(10c)利用交叉熵公式,计算生成样本的预测标签与生成样本的真实标签中,相同位置元素之间的交叉熵,以及计算训练样本的预测标签与训练样本的真实标签中,相同位置元素之间的交叉熵,将两个交叉熵相加后作为判别器的损失函数;
(11)交替训练生成器和多尺度判别器:
(11a)利用梯度下降方法,固定多尺度判别器参数,用生成器的损失函数训练生成器;
(11b)利用梯度下降方法,固定生成器参数,用多尺度判别器的损失函数训练多尺度判别器;
(12)判断协作生成对抗网络是否收敛,若是,则执行步骤(13),否则,执行步骤(11);
(13)对高光谱图像进行分类:
将高光谱图像的测试样本输入到训练好的协作生成对抗网络的多尺度判别器中,输出测试样本的预测标签,获得分类结果。
2.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(2a)中所述转置卷积层结构依次为:转置卷积层→非线性ReLu变换层→批标准化层。
3.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(2b)中所述生成器各层参数设置如下:
将输入层输入随机噪声向量维度为100维;
将全连接层输入和输出节点个数分别设置为100和512;
将第一个转置卷积层特征映射图总数设置为128个,卷积核大小设置为5×5,步长大小设置为2;
将第二个转置卷积层特征映射图总数设置为64个,卷积核大小设置为5×5,步长大小设置为2;
将第三个转置卷积层特征映射图总数设置为32个,卷积核大小设置为5×5,步长大小设置为2;
将第四个转置卷积层特征映射图总数设置为16个,卷积核大小设置为5×5,步长大小设置为2。
4.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(3a)中所述多尺度卷积层结构依次为:三个不同尺度的卷积核→非线性ReLu变换→批标准化→最大池化→级联,其中三个不同尺度的卷积核分别为1×1个像素,3×3个像素,5×5个像素,该多尺度卷积层具体参数设置如下:
将第一个多尺度卷积层特征映射图总数设置为16个,卷积核大小为1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为5,5,6;
将第二个多尺度卷积层特征映射图总数设置为32个,卷积核大小为1×1,3×3,5×5的对应步长大小设置为1,2,2,对应特征映射图个数分别设置为10,10,12;
将第三个多尺度卷积层特征映射图总数设置为64个,卷积核大小1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为20,20,24;
将第四个多尺度卷积层特征映射图总数设置为128个,卷积核大小1×1,3×3,5×5的对应步长大小分别设置为1,2,2,对应特征映射图个数分别设置为40,40,48。
5.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(3b)中所述设置多尺度判别器中各层参数如下:
将输入层特征映射图大小设置为27×27×3;
将全连接层的输入和输出节点个数分别设置为128和512;
设置soft-max多分类层输出节点个数等于高光谱图像中地物种类个数。
6.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(8)、步骤(9)中所述非线性映射的步骤如下:
第1步,将样本按批次输入到多尺度判别器的第一个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第一个卷积层输出的14×14×16个像素大小的特征图;
第2步,将第一个卷积层输出的特征图输入到第二个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第二个卷积层输出的7×7×32个像素大小的特征图;
第3步,将第二个卷积层输出的特征图输入到第三个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第三个卷积层输出的 4×4×64个像素大小的特征图;
第4步,将第三个卷积层输出的特征图输入到第四个卷积层,依次进行多尺度卷积核操作→非线性ReLu变换→批标准化→最大池化→级联,得到第四个卷积层输出的2×2×128个像素大小的特征图;
第5步,将第四个卷积层输出的特征图输入到多分类层,依次进行矩阵形状变换→线性全连接变换→非线性soft-max变换,得到输入样本的预测标签。
8.根据权利要求1所述的基于协作生成对抗网络和空谱联合的高光谱图像分类方法,其特征在于,步骤(12)中所述协作生成对抗网络收敛是指,生成器生成的样本,能够完好拟合训练样本的真实分布,使生成器和多尺度判别器在训练过程中达到纳什均衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977887.8A CN109145992B (zh) | 2018-08-27 | 2018-08-27 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810977887.8A CN109145992B (zh) | 2018-08-27 | 2018-08-27 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145992A CN109145992A (zh) | 2019-01-04 |
CN109145992B true CN109145992B (zh) | 2021-07-20 |
Family
ID=64827935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810977887.8A Active CN109145992B (zh) | 2018-08-27 | 2018-08-27 | 协作生成对抗网络和空谱联合的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145992B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740677A (zh) * | 2019-01-07 | 2019-05-10 | 湖北工业大学 | 一种基于主成分分析改进生成对抗网络的半监督分类方法 |
CN109948693B (zh) * | 2019-03-18 | 2021-09-28 | 西安电子科技大学 | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 |
CN110046653B (zh) * | 2019-03-22 | 2021-05-25 | 赣州好朋友科技有限公司 | 一种基于xrt射线的白钨分选方法和*** |
CN110263203B (zh) * | 2019-04-26 | 2021-09-24 | 桂林电子科技大学 | 一种结合皮尔逊重构的文本到图像生成方法 |
CN110119780B (zh) * | 2019-05-10 | 2020-11-27 | 西北工业大学 | 基于生成对抗网络的高光谱图像超分辨重建方法 |
CN110135366B (zh) * | 2019-05-20 | 2021-04-13 | 厦门大学 | 基于多尺度生成对抗网络的遮挡行人重识别方法 |
CN110320162B (zh) * | 2019-05-20 | 2021-04-23 | 广东省智能制造研究所 | 一种基于生成对抗网络的半监督高光谱数据定量分析方法 |
CN110263192B (zh) * | 2019-06-06 | 2021-04-27 | 西安交通大学 | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 |
CN110363751B (zh) * | 2019-07-01 | 2021-08-03 | 浙江大学 | 一种基于生成协作网络的大肠内视镜息肉检测方法 |
CN111626317B (zh) * | 2019-08-14 | 2022-01-07 | 广东省科学院智能制造研究所 | 基于双流条件对抗生成网络的半监督高光谱数据分析方法 |
CN110659727B (zh) * | 2019-09-24 | 2022-05-13 | 中国科学技术大学 | 一种基于草图的图像生成方法 |
CN111062310B (zh) * | 2019-12-13 | 2022-07-29 | 哈尔滨工程大学 | 一种基于虚拟样本生成的少样本无人机图像识别方法 |
CN111368712A (zh) * | 2020-03-02 | 2020-07-03 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的高光谱图像伪装目标检测方法 |
CN111709318B (zh) * | 2020-05-28 | 2023-03-24 | 西安理工大学 | 一种基于生成对抗网络的高分辨率遥感图像分类方法 |
CN111860124B (zh) * | 2020-06-04 | 2024-04-02 | 西安电子科技大学 | 基于空谱胶囊生成对抗网络的遥感图像分类方法 |
CN111915545B (zh) * | 2020-08-06 | 2022-07-05 | 中北大学 | 一种多波段图像的自监督学习融合方法 |
CN113469084B (zh) * | 2021-07-07 | 2023-06-30 | 西安电子科技大学 | 基于对比生成对抗网络的高光谱图像分类方法 |
CN113537031B (zh) * | 2021-07-12 | 2023-04-07 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
CN113655002B (zh) * | 2021-08-30 | 2023-11-24 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
CN113850309A (zh) * | 2021-09-15 | 2021-12-28 | 支付宝(杭州)信息技术有限公司 | 一种训练样本生成方法及联邦学习方法 |
CN113837258B (zh) * | 2021-09-17 | 2023-09-08 | 华中师范大学 | 基于局部相关熵矩阵的高光谱图像分类方法和*** |
CN114858782B (zh) * | 2022-07-05 | 2022-09-27 | 中国民航大学 | 基于拉曼高光谱对抗判别模型的奶粉掺杂非定向检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106470901A (zh) * | 2014-02-26 | 2017-03-01 | 克拉克·艾默生·科恩 | 改进性能和成本的全球导航卫星***架构 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN107944483A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10496883B2 (en) * | 2017-01-27 | 2019-12-03 | Signal Processing, Inc. | Method and system for enhancing predictive accuracy of planet surface characteristics from orbit |
-
2018
- 2018-08-27 CN CN201810977887.8A patent/CN109145992B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106470901A (zh) * | 2014-02-26 | 2017-03-01 | 克拉克·艾默生·科恩 | 改进性能和成本的全球导航卫星***架构 |
CN106845418A (zh) * | 2017-01-24 | 2017-06-13 | 北京航空航天大学 | 一种基于深度学习的高光谱图像分类方法 |
CN106997380A (zh) * | 2017-03-21 | 2017-08-01 | 北京工业大学 | 基于dcgan深度网络的成像光谱图像安全检索方法 |
CN107423707A (zh) * | 2017-07-25 | 2017-12-01 | 深圳帕罗人工智能科技有限公司 | 一种基于复杂环境下的人脸情绪识别方法 |
CN107563355A (zh) * | 2017-09-28 | 2018-01-09 | 哈尔滨工程大学 | 基于生成对抗网络的高光谱异常检测方法 |
CN107909015A (zh) * | 2017-10-27 | 2018-04-13 | 广东省智能制造研究所 | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 |
CN107944483A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于双通道dcgan和特征融合的多光谱图像分类方法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
Non-Patent Citations (3)
Title |
---|
《Generative Adversarial Networks-Based Semi-Supervised Learning for Hyperspectral Image Classification》;Zhi He等;《remote sensing》;20171012;第9卷;第1-27页 * |
《协作式生成对抗网络》;张龙 等;《自动化学报》;20180531;第44卷(第5期);第804-810页 * |
《基于随机子空间核极端学习机集成的高光谱遥感图像分类》;宋相法 等;《计算机科学》;20160315;第43卷(第03期);第301-304页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109145992A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145992B (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
CN109948693B (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
CN109993220B (zh) | 基于双路注意力融合神经网络的多源遥感图像分类方法 | |
CN110084159B (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN108764173B (zh) | 基于多类生成对抗网络的高光谱图像分类方法 | |
CN107563442B (zh) | 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法 | |
CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN108460391B (zh) | 基于生成对抗网络的高光谱图像无监督特征提取方法 | |
CN109376804A (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
Boggavarapu et al. | A new framework for hyperspectral image classification using Gabor embedded patch based convolution neural network | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN103440505A (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN105550712B (zh) | 基于优化卷积自动编码网络的极光图像分类方法 | |
CN112308152A (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN103886334A (zh) | 一种多指标融合的高光谱遥感影像降维方法 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN114048810A (zh) | 一种基于多层次特征提取网络的高光谱图像分类方法 | |
Liu et al. | Feature extraction for hyperspectral remote sensing image using weighted PCA-ICA | |
CN114299382A (zh) | 高光谱遥感图像分类方法及*** | |
Li et al. | Using improved ICA method for hyperspectral data classification |
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 |