CN112507937A - 融合多源数据的卫星影像无监督分类方法和装置 - Google Patents

融合多源数据的卫星影像无监督分类方法和装置 Download PDF

Info

Publication number
CN112507937A
CN112507937A CN202011492176.5A CN202011492176A CN112507937A CN 112507937 A CN112507937 A CN 112507937A CN 202011492176 A CN202011492176 A CN 202011492176A CN 112507937 A CN112507937 A CN 112507937A
Authority
CN
China
Prior art keywords
data
clustering
loss
representing
source
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.)
Granted
Application number
CN202011492176.5A
Other languages
English (en)
Other versions
CN112507937B (zh
Inventor
马千里
郑佳炜
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202011492176.5A priority Critical patent/CN112507937B/zh
Publication of CN112507937A publication Critical patent/CN112507937A/zh
Application granted granted Critical
Publication of CN112507937B publication Critical patent/CN112507937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种融合多源数据的卫星影像无监督分类方法和装置，步骤如下：获取多个数据源的卫星图像数据集，分离出数据的样本信息以及类别信息；构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；将K均值聚类损失引入到每一个编解码器中，将提取特征与聚类目标进行融合，再加入不同数据源之间的约束；把多个数据源的卫星图像输入深度聚类模型，通过反向传播算法训练进行训练，指导隐层特征的生成；使用K均值算法对由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。本发明将多个数据源的卫星图像进行融合，实现有效的无监督分类目标。

Description

融合多源数据的卫星影像无监督分类方法和装置
技术领域
本发明涉及多源数据分析技术领域，具体涉及一种融合多源数据的卫星影像无监督分类方法和装置。
背景技术
对卫星图像进行分析，对提高危险灾害性天气的监测和改进天气预报有重要的实用意义。卫星图像处理的关键性工作就是遥感图像分类，遥感图像分类是一种非常有效的地理信息要素提取和区分方法。在遥感卫星图像分类处理中，分类方法可以大致分为两类：监督分类和无监督分类，他们之间的最主要的区别是是否需要已验证的遥感卫星数据样本进行分类处理前的规则训练。
目前，对卫星图像的无监督分类研究主要集中在单一数据源的场景下，但由于气象卫星数据格式及其图像的成像原理不同,任何一个单一图像都不能全面反应观测目标的特性，因此需要将多种具有不同特性的卫星图像结合起来，从而实现信息互补，取长补短，这样才能够更加全面地提取特征，使得结果更加准确可靠。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种融合多源数据的卫星影像无监督分类方法和装置，该无监督分类方法将多个数据源的卫星图像进行融合，从而提取更为丰富全面的特征，以此达到有效的无监督分类目标。
本发明的第一个目的可以通过采取如下技术方案达到：
一种融合多源数据的卫星影像无监督分类方法，无监督分类方法包括：
步骤S1、获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
步骤S2、构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器。这种设计有利于充分考虑数据特性，更好地提取数据特征；
步骤S3、将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束，使得某个特定的数据源的特征学习能够得到其他数据源的帮助和指导，从而使得特征之间信息互补、一致；
步骤S4、把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法进行训练，指导隐层特征的生成，使其不仅能够重构原来的样本，还有利于簇状结构的形成，从而能够更好地进行聚类的操作，提高聚类的精度；
步骤S5、使用K均值算法对步骤S4中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
进一步地，所述的编解码模型的编解码过程如下：
Figure BDA0002841030730000021
Figure BDA0002841030730000022
其中，
Figure BDA0002841030730000023
表示第v个数据源的第i个样本，
Figure BDA0002841030730000024
表示第v个编码器、解码器，
Figure BDA0002841030730000025
表示第v个编码器、解码器的参数，
Figure BDA0002841030730000026
表示第v个数据源的第i个样本的隐层特征，
Figure BDA0002841030730000027
表示重构出来的第v个数据源的第i个样本；
通过编解码模型的编解码操作，来重构出样本数据，此过程中，第v个编解码模型的重构损失为：
Figure BDA0002841030730000031
其中，
Figure BDA0002841030730000032
表示第v个编解码模型的重构损失，
Figure BDA0002841030730000033
表示第v个数据源的第i个样本，
Figure BDA0002841030730000034
表示重构出来的第v个数据源的第i个样本，n表示数据集的样本数量,
Figure BDA0002841030730000035
表示向量的二范数。
进一步地，所述的步骤S3中将K均值聚类损失引入到每一个编解码器的过程如下：
定义K均值聚类损失为：
Figure BDA0002841030730000036
其中，
Figure BDA0002841030730000037
表示第v个数据源的K均值聚类损失，Tr表示矩阵的迹，Hv表示第v个数据源的隐层表示，Fv为第v个数据源的伪标签矩阵，并且Fv为一个标准正交矩阵，I表示单位矩阵；
建立不同数据源之间的约束为：
Figure BDA0002841030730000038
其中，
Figure BDA0002841030730000039
表示第v个数据源的一致性损失，Fv表示第v个数据源的伪标签矩阵，Y表示一致性类别矩阵，I表示单位矩阵,
Figure BDA00028410307300000310
表示矩阵的Frobsenius范数。
进一步地，所述的步骤S4过程如下
根据重构损失、K均值聚类损失和一致性损失构造总体损失函数，通过总体损失函数来确定深度聚类模型的整体训练目标，其中，总体损失函数如下：
Figure BDA00028410307300000311
式中，
Figure BDA00028410307300000312
为第v个编解码模型的重构损失，
Figure BDA00028410307300000313
表示第v个数据源的一致性损失，
Figure BDA0002841030730000041
表示第v个数据源的K均值聚类损失，m表示数据源的个数，λ表示K均值聚类损失的权重。
利用BP算法对上述总体损失函数最小化，以达到最优化网络参数的目的。
进一步地，所述的步骤S5过程如下：
定义根据原始K-means算法的损失函数，表述式如下：
Figure BDA0002841030730000042
其中，Jv表示第v个数据源的原始K-means损失，
Figure BDA0002841030730000043
表示第v个数据源的第i个样本，Ci表示第i个样本所属的类簇，
Figure BDA0002841030730000044
分别代表样本总数和与
Figure BDA0002841030730000045
最近的聚类中心,
Figure BDA0002841030730000046
表示向量的二范数；
以最小化该K-means算法的损失函数为目标，得到聚类类别，最后通过不同数据源投票的方式，得到最终的类别结果。
本发明的另一个目的可以通过采取如下技术方案达到：
一种融合多源数据的卫星影像无监督分类装置，所述的无监督分类装置包括：
获取单元，用于获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
编码单元，用于构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；
输入单元，用于将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束；
确定单元，用于把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法进行训练，指导隐层特征的生成；
输出单元，用于使用K均值算法对确定单元中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
本发明相对于现有技术具有如下的优点及效果：
1)本发明采用编解码架构，将原始卫星图像数据投射到隐层空间中，可以提取图像的主要特征和性质，也减少了图像的噪声带来的影响；
2)本发明将K均值损失以可训练的方式加入到模型中，来训练隐层特征表示，指导隐层特征的生成，有利于特征簇状结构的形成，从而能够更好地进行聚类操作，提高聚类精度；
3)本发明融合多个数据源的卫星图像特征，并加以一致性约束，从而提取更为丰富全面的特征，以此达到有效的无监督分类目标。
附图说明
图1是本发明中公开的融合多源数据的卫星图像无监督分类方法的具体流程图
图2是本发明的融合多源数据的卫星图像无监督分类方法的模型结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例公开了一种融合多源数据的卫星图像无监督分类方法，如图1所示，该无监督分类方法包括以下步骤：
步骤S1、获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
具体应用中，卫星图像数据具有不同的数据来源，如可见光图像、红外图像、水汽图像、短红外图像、微波图像等。如图2所示，模型有多种数据源输入，但其类别是一致的。
步骤S2、构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；
具体应用中，编解码模型的编码解码过程如下：
Figure BDA0002841030730000061
Figure BDA0002841030730000062
这里以其中一个数据源即可见光图像数据源为例说明。
Figure BDA0002841030730000063
表示可见光图像的第i个样本，
Figure BDA0002841030730000064
表示可见光图像数据源对应的编码器、解码器，
Figure BDA0002841030730000065
表示可见光图像数据源对应的编码器、解码器的参数，
Figure BDA0002841030730000066
表示可见光图像的第i个样本对应的特征表示，
Figure BDA0002841030730000067
表示重构出来的可见光图像数据源的第i个样本。图2所示编码器采用的是全连接层，其后加上激活函数，解码器跟编码器为镜像结构。
通过步骤S2的编解码操作，来重构出可见光图像样本数据，此过程中，重构损失为：
Figure BDA0002841030730000068
其中，
Figure BDA0002841030730000069
表示可见光图像样本数据的重构损失，
Figure BDA00028410307300000610
表示可见光图像的第i个样本，
Figure BDA00028410307300000611
表示重构出来的可见光图像数据源的第i个样本,
Figure BDA00028410307300000612
表示向量的二范数。
步骤S3、将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束，使得特征之间信息互补、一致；
具体应用中，K均值聚类损失为：
Figure BDA0002841030730000071
其中，
Figure BDA0002841030730000072
表示可见光图像数据源的K均值聚类损失，Tr表示矩阵的迹，Hv表示可见光图像数据源的隐层特征，Fv为该数据源下的伪标签矩阵，为一个标准正交矩阵，I表示单位矩阵。
如图2所示，在K均值聚类损失的帮助下，样本的特征表示更具有区分度，即相同类别的样本特征距离接近，不同类别的样本特征距离较远。
不同数据源之间的约束为：
Figure BDA0002841030730000073
其中，
Figure BDA0002841030730000074
表示第v个数据源的一致性损失，Fv表示第v个数据源的伪标签矩阵，Y表示一致性类别矩阵，I表示单位矩阵,
Figure BDA0002841030730000075
表示矩阵的Frobsenius范数。
如图2所示，通过对多个数据源的伪标签矩阵的对齐，使得每个数据源的样本特征学习能够得到其他数据源信息的帮助。在其他数据源信息的帮助下，各个数据源的样本特征学习得更好，即同类样本特征之间更加紧凑，不同类样本特征之间更加远离，更有利于后续的类别分配。
步骤S4、把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法训练进行训练，指导隐层特征的生成，使其不仅能够重构原来的样本，还有利于簇状结构的形成，从而能够更好地进行聚类的操作，提高聚类的精度；
具体应用中，将多个数据源的卫星图像输入到所述的深度聚类模型，通过反向传播算法训练进行训练，指导隐层特征的生成过程如下：
根据重构损失、K均值聚类损失和一致性损失构造总体损失函数，通过总体损失函数来确定深度聚类模型的整体训练目标，其中，总体损失函数如下：
Figure BDA0002841030730000081
式中，
Figure BDA0002841030730000082
为第v个编解码模型的重构损失，
Figure BDA0002841030730000083
表示第v个数据源的一致性损失，
Figure BDA0002841030730000084
表示第v个数据源的K均值聚类损失，m表示数据源的个数，λ表示K均值聚类损失的权重。
利用BP算法对上述总体损失函数最小化，以达到最优化网络参数的目的。
步骤S5、使用K均值算法对步骤S4中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
具体应用中，原始K-means算法的损失函数，表述式如下：
Figure BDA0002841030730000085
其中，Jv表示第v个数据源的原始K-means损失，
Figure BDA0002841030730000086
表示第v个数据源的第i个样本的隐层特征表示，Ci表示第i个样本所属的类簇，
Figure BDA0002841030730000087
分别代表样本总数和与
Figure BDA0002841030730000088
最近的聚类中心，
Figure BDA0002841030730000089
表示向量的二范数。以最小化该K-means算法的损失函数为目标，得到聚类类别。最后通过不同数据源投票的方式，得到最终的类别结果。如总共有三个数据源：可见光图像、红外图像、水汽图像。在这三个数据源中，某两个或三个数据源(即超过半数)的聚类结果认为某对样本属于同一类，则最终判定该对样本属于同类，否则为不同类。
实施例二
本实施例公开了一种融合多源数据的卫星影像无监督分类装置，所述的无监督分类装置包括：
获取单元，用于获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
编码单元，用于构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；
输入单元，用于将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束；
确定单元，用于把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法进行训练，指导隐层特征的生成；
输出单元，用于使用K均值算法对确定单元中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种融合多源数据的卫星影像无监督分类方法，其特征在于，所述的无监督分类方法包括：
步骤S1、获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
步骤S2、构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；
步骤S3、将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束；
步骤S4、把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法进行训练，指导隐层特征的生成；
步骤S5、使用K均值算法对步骤S4中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
2.根据权利要求1所述的融合多源数据的卫星影像无监督分类方法，其特征在于，所述的编解码模型的编解码过程如下：
Figure FDA0002841030720000011
Figure FDA0002841030720000012
其中，
Figure FDA0002841030720000021
表示第v个数据源的第i个样本，
Figure FDA0002841030720000022
表示第v个编码器、解码器，
Figure FDA0002841030720000023
表示第v个编码器、解码器的参数，
Figure FDA0002841030720000024
表示隐藏层、，
Figure FDA0002841030720000025
表示重构出来的第v个数据源的第i个样本；
通过编解码模型的编解码操作，来重构出样本数据，此过程中，第v个编解码模型的重构损失为：
Figure FDA0002841030720000026
其中，
Figure FDA0002841030720000027
表示第v个编解码模型的重构损失，
Figure FDA0002841030720000028
表示第v个数据源的第i个样本，
Figure FDA0002841030720000029
表示重构出来的第v个数据源的第i个样本，n表示数据集的样本数量，
Figure FDA00028410307200000210
表示向量的二范数。
3.根据权利要求1所述的融合多源数据的卫星影像无监督分类方法，其特征在于，所述的步骤S3中将K均值聚类损失引入到每一个编解码器的过程如下：
定义K均值聚类损失为：
Figure FDA00028410307200000211
其中，
Figure FDA00028410307200000212
表示第v个数据源的K均值聚类损失，Tr表示矩阵的迹，Hv表示第v个数据源的隐层表示，Fv为第v个数据源的伪标签矩阵，并且Fv为一个标准正交矩阵，I表示单位矩阵；
建立不同数据源之间的约束为：
Figure FDA00028410307200000213
其中，
Figure FDA00028410307200000214
表示第v个数据源的一致性损失，Fv表示第v个数据源的伪标签矩阵，Y表示一致性类别矩阵，I表示单位矩阵，
Figure FDA0002841030720000031
表示矩阵的Frobsenius范数。
4.根据权利要求1所述的融合多源数据的卫星影像无监督分类方法，其特征在于，所述的步骤S4过程如下
根据重构损失、K均值聚类损失和一致性损失构造总体损失函数，通过总体损失函数来确定深度聚类模型的整体训练目标，其中，总体损失函数如下：
Figure FDA0002841030720000032
式中，
Figure FDA0002841030720000033
为第v个编解码模型的重构损失，
Figure FDA0002841030720000034
表示第v个数据源的一致性损失，
Figure FDA0002841030720000035
表示第v个数据源的K均值聚类损失，m表示数据源的个数，λ表示K均值聚类损失的权重；
利用BP算法对上述总体损失函数最小化，以达到最优化网络参数的目的。
5.根据权利要求1所述的融合多源数据的卫星影像无监督分类方法，其特征在于，所述的步骤S5过程如下：
定义根据原始K-means算法的损失函数，表述式如下：
Figure FDA0002841030720000036
其中，Jv表示第v个数据源的原始K-means损失，Ci表示第i个样本所属的类簇，n,
Figure FDA0002841030720000037
分别代表样本总数和与
Figure FDA0002841030720000038
最近的聚类中心,
Figure FDA0002841030720000039
表示向量的二范数；
以最小化该K-means算法的损失函数为目标，得到聚类类别，最后通过不同数据源投票的方式，得到最终的类别结果。
6.一种融合多源数据的卫星影像无监督分类装置，其特征在于，所述的无监督分类装置包括：
获取单元，用于获取多个数据源的卫星图像数据集，对数据进行预处理分离出数据的样本信息以及类别信息；
编码单元，用于构建编解码器模型，为每一种数据来源的数据设计适合其数据类型及数据维度的编解码器；
输入单元，用于将多个数据源的卫星图像数据输入至编解码模型中，编解码模型提取图像的关键特征，将K均值聚类损失引入到每一个编解码器中，将提取图像的关键特征与聚类目标进行融合，再加入不同数据源之间的约束；
确定单元，用于把所述的数据的样本信息输入到深度聚类模型，通过反向传播算法进行训练，指导隐层特征的生成；
输出单元，用于使用K均值算法对确定单元中由训练过程生成的每个数据源的隐层特征进行聚类，得到多个聚类结果，最后通过投票的方式，得到最后的类别分配结果。
CN202011492176.5A 2020-12-17 2020-12-17 融合多源数据的卫星影像无监督分类方法和装置 Active CN112507937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492176.5A CN112507937B (zh) 2020-12-17 2020-12-17 融合多源数据的卫星影像无监督分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492176.5A CN112507937B (zh) 2020-12-17 2020-12-17 融合多源数据的卫星影像无监督分类方法和装置

Publications (2)

Publication Number Publication Date
CN112507937A true CN112507937A (zh) 2021-03-16
CN112507937B CN112507937B (zh) 2023-02-10

Family

ID=74921690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492176.5A Active CN112507937B (zh) 2020-12-17 2020-12-17 融合多源数据的卫星影像无监督分类方法和装置

Country Status (1)

Country Link
CN (1) CN112507937B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240024A (zh) * 2021-05-20 2021-08-10 贾晓丰 一种基于深度学习聚类算法的数据分级分类方法及装置
WO2022199432A1 (zh) * 2021-03-25 2022-09-29 浙江师范大学 一种基于最优传输的深度缺失聚类机器学习方法及***
CN116578874A (zh) * 2023-07-10 2023-08-11 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种基于网络协议的卫星信号属性判证方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919189A (zh) * 2019-01-29 2019-06-21 华南理工大学 一种面向时间序列数据的深度k均值聚类方法
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
US20190228312A1 (en) * 2018-01-25 2019-07-25 SparkCognition, Inc. Unsupervised model building for clustering and anomaly detection
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法
CN111832627A (zh) * 2020-06-19 2020-10-27 华中科技大学 抑制标签噪声的图像分类模型训练方法、分类方法及***
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190228312A1 (en) * 2018-01-25 2019-07-25 SparkCognition, Inc. Unsupervised model building for clustering and anomaly detection
CN109919189A (zh) * 2019-01-29 2019-06-21 华南理工大学 一种面向时间序列数据的深度k均值聚类方法
CN109919204A (zh) * 2019-02-23 2019-06-21 华南理工大学 一种面向噪声图像的深度学习聚类方法
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN111259979A (zh) * 2020-02-10 2020-06-09 大连理工大学 一种基于标签自适应策略的深度半监督图像聚类方法
CN111832627A (zh) * 2020-06-19 2020-10-27 华中科技大学 抑制标签噪声的图像分类模型训练方法、分类方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MA QIANLI ET AL: "Learning Representations for Time Series Clustering", 《33RD CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NEURIPS)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022199432A1 (zh) * 2021-03-25 2022-09-29 浙江师范大学 一种基于最优传输的深度缺失聚类机器学习方法及***
CN113240024A (zh) * 2021-05-20 2021-08-10 贾晓丰 一种基于深度学习聚类算法的数据分级分类方法及装置
CN116578874A (zh) * 2023-07-10 2023-08-11 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种基于网络协议的卫星信号属性判证方法及装置
CN116578874B (zh) * 2023-07-10 2023-11-21 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种基于网络协议的卫星信号属性判证方法及装置

Also Published As

Publication number Publication date
CN112507937B (zh) 2023-02-10

Similar Documents

Publication Publication Date Title
CN112507937B (zh) 融合多源数据的卫星影像无监督分类方法和装置
CN111581405B (zh) 基于对偶学习生成对抗网络的跨模态泛化零样本检索方法
CN110111399B (zh) 一种基于视觉注意力的图像文本生成方法
CN109829299B (zh) 一种基于深度自编码器的未知攻击识别方法
CN114743020B (zh) 一种结合标签语义嵌入和注意力融合的食物识别方法
CN113609285B (zh) 一种基于依赖门控融合机制的多模态文本摘要***
CN116682144B (zh) 一种基于多层次跨模态差异调和的多模态行人重识别方法
CN116030018A (zh) 用于门加工的来料合格检验***及方法
CN117217368A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
CN115273856A (zh) 语音识别方法、装置、电子设备及存储介质
CN117521012A (zh) 基于多模态上下文分层分步对齐的虚假信息检测方法
CN113407778A (zh) 标签识别方法及装置
CN116958997A (zh) 一种基于异质图神经网络的图文摘要方法及***
CN115809438B (zh) 多模态情感分析方法、***、设备及存储介质
CN116775855A (zh) 基于Bi-LSTM的TextRank中文摘要自动生成方法
CN116186350A (zh) 基于知识图谱和主题文本的输电线路工程搜索方法和装置
CN116775929A (zh) 一种基于多层次细粒度语义对齐的跨模态检索方法
Ji et al. Blog text quality assessment using a 3D CNN-based statistical framework
CN114896969A (zh) 一种基于深度学习的方面词提取方法
Zhou et al. Joint scence network and attention-guided for image captioning
Tuan et al. Object Detection in Remote Sensing Images Using Picture Fuzzy Clustering and MapReduce.
CN113076421A (zh) 一种社交噪音文本实体关系抽取优化方法及***
CN118170920B (zh) 一种混合语种文本检测方法及***
Feng et al. PointCloud-Text Matching: Benchmark Datasets and a Baseline
CN116595254B (zh) 一种智慧城市中数据隐私与服务的推荐方法

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