CN113111834B - 一种基于注意力的全局局部光谱权重的波段选择方法 - Google Patents
一种基于注意力的全局局部光谱权重的波段选择方法 Download PDFInfo
- Publication number
- CN113111834B CN113111834B CN202110443963.9A CN202110443963A CN113111834B CN 113111834 B CN113111834 B CN 113111834B CN 202110443963 A CN202110443963 A CN 202110443963A CN 113111834 B CN113111834 B CN 113111834B
- Authority
- CN
- China
- Prior art keywords
- band
- pixel sample
- pixel
- weight matrix
- wave
- 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
- 238000001228 spectrum Methods 0.000 title abstract description 20
- 238000010187 selection method Methods 0.000 title abstract description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于注意力的全局局部光谱权重的波段选择方法,通过将预处理后的高光谱数据集中的像素样本输入到基于注意力的全连接神经网络中,得到像素样本的权重矩阵。然后再通过卷积神经网络来对高光谱数据进行重建,在重建的光谱与原始光谱的损失不再降低的情况下得到每个像素样本的光谱权重,再利用K‑means算法训练每个像素的光谱权重,选择每个簇中方差最大的波段,得到最终的波段选择结果。从而可以同时考虑光谱的全局信息和局部信息来进行最优波段子集的选择。
Description
技术领域
本发明涉及高光谱成像技术领域,尤其涉及一种基于注意力的全局局部光谱权重的波段选择方法。
背景技术
高光谱相机成像较普通标准RGB相机的光谱分辨率更高、信息量更丰富,现阶段被广泛的应用于成像环境差、背景复杂等难以用人眼分辨的情况,比如用卫星高光谱观测气象、用水下高光谱进行目标检测等领域。由于高光谱有数据量大、冗余度高的特点,在获取、传输和处理数据的过程中耗费了大量时间,同时还容易造成“Hughes”的现象,随着波段数目的增多分类精度出现了先上升后下降的情况。波段选择已得到证实,可以有效避免此类问题。波段选择是一个可以在不损害高光谱原有物理意义的情况下的有效降维方式,近些年来受到了越来越多的研究者关注。采用深度网络用于波段选择的方法层出不绝,但是大都是只利用全连接网络或者是卷积网络,如果只使用全连接网络,可以捕获到全局光谱之间的关系,但是全连接网络中每一个神经元与上一层所有神经元相连的特性会导致丢失连续波段之间的信息,相反只使用更注重局部信息的卷积网络,这又导致了全局信息的丢失。
发明内容
本发明提供一种基于注意力的全局局部光谱权重的波段选择方法,以克服上述技术问题。
本发明一种基于注意力的全局局部光谱权重的波段选择方法,包括:
输入高光谱数据集,并对所述高光谱数据集进行数据预处理,以使得全部像素样本均符合同一分布;所述像素样本中包含多个波段值;
将预处理后的所述像素样本输入到全连接神经网络中,得到每个所述像素样本的波段权重矩阵;
将所述权重矩阵与所述像素样本的像素点数据做哈达玛积,并将结果输入至卷积神经网络中,得到优化的像素样本;
将所述优化的像素样本和原始像素样本通过损失函数求解,当所述全连接神经网络和卷积神经网络均收敛时,得到所述优化的像素样本的权重矩阵;
通过K-means聚类算法对所述优化的像素样本的权重矩阵进行聚簇处理;根据聚簇处理的结果得到每个波段簇中方差最大的波段索引。
进一步地,所述输入高光谱数据集,并对所述高光谱数据集进行数据预处理,以使得全部像素样本均符合同一分布,包括:
输入PaviaU高光谱数据集,所述PaviaU高光谱数据集用D表示,D∈RN×L,其中,N为像素样本数,L为波段数;
通过式(1)对PaviaU高光谱数据集中的像素样本进行预处理,表示为:
式中,A表示维度大小为N*L的像素样本。
进一步地,所述将预处理后的所述像素样本输入到全连接神经网络中,得到每个所述像素样本的波段权重矩阵,包括:
通过式(2)得到所述像素样本的权重矩阵,表示为:
w=softmax(f(x)) (2)
式中,f代表全连接神经网络,x代表像素样本,softmax代表全连接神经网络的softmax层。
进一步地,所述将所述权重矩阵与所述像素样本的像素点数据做哈达玛积,并将结果输入至卷积神经网络中,得到优化的像素样本,包括:
通过式(3)得到优化的像素样本:
restrction=f(x*w) (3)
其中,令z=x*w,f由五个子函数嵌套组成,表示为:
进一步地,所述通过K-means聚类算法对所述优化的像素样本的权重矩阵进行聚簇处理,包括:根据波段之间的欧式距离,利用K-means聚类算法将所述波段分为不同的波段簇;所述K-means聚类算法,包括:在所述优化的像素样本的权重矩阵的L个波段中随机选取K个波段作为初始点;随机选取K个波段的位置作为初始波段簇的质心,并形成K个波段类别的波段簇;计算除所述K个波段之外的波段距每个所述初始波段簇质心的距离,并将波段类别标记为与所述初始波段簇质心的距离最近的质心所对应的波段簇;若所述K个波段之外的波段所属的波段簇未改变,则返回上一步,更新波段簇内质心的位置,然后重新计算除所述K个波段之外的波段距每个所述初始波段簇质心的距离并再次归分到相应的波段簇中;当每个所述波段簇的质心不再发生变化时,算法结束。
进一步地,所述根据聚簇处理的结果得到每个波段簇中方差最大的波段索引,包括:
将所述优化的像本样本的权重矩阵中所有的波段划分为C1,C2,C3…Ck个簇,通过聚簇处理得到被选择的波段子集,表示为:
其中,为第K个波段簇中最大的方差所代表的波段索引。
本发明通过将预处理后的高光谱数据集中的像素样本输入到全连接神经网络中,获得像素样本的权重矩阵。然后再通过卷积神经网络来对高光谱数据进行重建,在重建的光谱与原始光谱的损失不再降低的情况下得到每个像素样本的光谱权重,再利用K-means算法训练每个像素的光谱权重,选择每个簇中方差最大的光谱,得到最终的波段选择结果。从而可以同时考虑光谱的全局信息和局部信息来进行最优波段子集的选择。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明中通过全连接神经网络获得像素样本不同权重的波段值的示意图;
图3为本发明中通过卷积神经网络进行光谱重建的示意图;
图4为本发明与UBS、ONR算法在PaviaU数据集上进行波段选择的效果对比图;
图5为本发明中K-means算法流程图。
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作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。
如图1所示,本实施例提供了一种基于注意力的全局局部光谱权重的波段选择方法,包括:
101、输入高光谱数据集,并对高光谱数据集进行数据预处理,以使得全部像素样本均符合同一分布;像素样本中包含多个波段值;
具体而言,PaviaU数据集是在2002年用ROSIS传感器拍摄Pavia大学得到的数据,它包含610*340个像素,9个感兴趣的类别和103个波段,波长范围从0.43到0.86μm,这里以数据集PaviaU为输入,所以N=610*340,L=103。
PaviaU高光谱数据集用D表示,D∈RN×L,其中,N为像素样本数,L为波段数;随机抽取90%的像素点用于训练,10%的像素点用于验证。对PaviaU高光谱数据集中的像素样本进行预处理,旨在让所有的像素样本都符合同一分布从而可以使算法加速收敛,同时,不损失每个样本的内部数据相对性,通过式(1)表示为:
式中,A表示维度大小为N*L的像素样本。
102、将预处理后的像素样本输入到全连接神经网络中,得到每个像素样本的波段权重矩阵;
具体而言,将预处理后的像素样本输入到全连接神经网络中处理,旨在过滤掉不太重要的波段的同时提取到相对重要的波段,可以对感兴趣的波段赋予较大的权重,相反对不太重要的波段赋予更小的权重。如图2所示,输入每个像素样本,最后得到每个像素样本中不同权重的波段值(颜色不同权重不同,由于说明书附图所限只能用灰度不同来进行区分)。因为光谱维度一致的时候对于每个样本来说各个波段的重要性是一致的,所以选择加入跳跃连接来加快算法的收敛,经过全连接神经网络,得到权重矩阵w,整个过程可表示为:
w=softmax(f(x)) (2)
式中,f代表全连接神经网络,x代表像素样本,softmax代表全连接神经网络的softmax层。
103、将权重矩阵与像素样本的像素点数据做哈达玛积,并将结果输入至卷积神经网络中,得到优化的像素样本;
具体而言,因为CNN网络(卷积神经网络)对于上下文的信息处理具有鲁棒性,同时高光谱图片具有相邻波段的相关性高的特点,所以采取CNN网络可以容易的捕捉到波段与上下邻波段之间的关系,CNN重建光谱的网络结构如图3所示。其中,CNN网络的输入是由通过全连接神经网络得到的权重矩阵w和原始的输入数据做哈达玛积得到的。在这个重建模块中,***了池化操作和反池化操作,池化操作是为了降低高光谱图像的光谱原始数据的维度,降低的同时记住最具有特性的光谱(即每两个波段之间波段值最大的波段),在之后的反池化操作中就可以在保持最具有特性光谱的前提条件下重建新的光谱数据。过程表示为:
restrction=f(x*w) (3)
其中,令z=x*w,f是由多个函数嵌套而成,因为其中包含跳跃连接,我们由5个子函数组成,表示为:
求得式(4)f的参数,使得输入权重和原始像素点的乘积之后可以得到重建后的像素点,这个使这个重建后的像素点尽可能的接近原来的像素点,再给出损失函数:loss=(restruction-x)2使loss尽可能的接近0,在这里用到学习率减小和网络提前停止的策略,当验证集loss连续5次不再降低的时候以数量级0.1的程度减小学习率,当连续8次不再降低的时候停止网络。
104、将优化的像素样本和原始像素样本通过损失函数求解,当全连接神经网络和卷积神经网络均收敛时,得到优化的像素样本的权重矩阵;
具体而言,这里的权重矩阵可以看作是一个较原始高光谱图像相比光谱特征更明显的高光谱图像。将优化的像素样本和原始像素样本不断迭代做损失的目的是为了使整个神经网络得到收敛,这里整个神经网络包括了全连接神经网络和卷积神经网络,当整个网络收敛之后,取出收敛时全连接神经网络的输出,也就是w权重矩阵。
105、通过K-means聚类算法对优化的像素样本的权重矩阵进行聚簇处理;根据聚簇处理的结果得到每个波段簇中方差最大的波段索引。
具体而言,根据波段之间的欧式距离,利用K-means聚类算法将波段分为不同的簇,这里用到如图5所示的K-means聚类算法。
K-means聚类算法:
在优化的像素样本的权重矩阵的L个波段中随机选取K个波段作为初始点;
随机选取K个波段的位置作为初始波段簇的质心,并形成K个波段类别的波段簇;
计算除K个波段之外的波段距每个初始波段簇质心的距离,并将波段类别标记为与初始波段簇质心的距离最近的质心所对应的波段簇;
若K个波段之外的波段所属的波段簇未改变,则返回上一步,更新波段簇内质心的位置,然后重新计算除K个波段之外的波段距每个初始波段簇质心的距离并再次归分到相应的波段簇中;
当每个波段簇的质心不再发生变化时,算法结束。
在每个聚簇的结果中寻找每个簇中方差值最大的波段即得到最后的结果。因为一个波段方差越大就说明其数据范围大,信息量多。具体过程是:
将优化的像本样本的权重矩阵中所有的波段划分为C1,C2,C3…Ck个簇,通过聚簇处理得到被选择的波段子集,表示为:
其中,为第K个波段簇中最大的方差所代表的波段索引。
如图4所示,在被选波段数量小于15的时候,本发明的算法效果是优于UBS、ONR算法的效果的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于注意力的全局局部光谱权重的波段选择方法,其特征在于,包括:
输入高光谱数据集,并对所述高光谱数据集进行数据预处理,以使得全部像素样本均符合同一分布;所述像素样本中包含多个波段值;
将预处理后的所述像素样本输入到全连接神经网络中,得到每个所述像素样本的波段权重矩阵;
将所述权重矩阵与所述像素样本的像素点数据做哈达玛积,并将结果输入至卷积神经网络中,得到优化的像素样本;
将所述优化的像素样本和原始像素样本通过损失函数求解,当所述全连接神经网络和卷积神经网络均收敛时,得到所述优化的像素样本的权重矩阵;
通过K-means聚类算法对所述优化的像素样本的权重矩阵进行聚簇处理;根据聚簇处理的结果得到每个波段簇中方差最大的波段索引;
所述输入高光谱数据集,并对所述高光谱数据集进行数据预处理,以使得全部像素样本均符合同一分布,包括:
输入PaviaU高光谱数据集,所述PaviaU高光谱数据集用D表示,D∈RN×L,其中,N为像素样本数,L为波段数;
通过式(1)对PaviaU高光谱数据集中的像素样本进行预处理,表示为:
式中,A表示维度大小为N*L的像素样本;
所述将预处理后的所述像素样本输入到全连接神经网络中,得到每个所述像素样本的波段权重矩阵,包括:
通过式(2)得到所述像素样本的权重矩阵,表示为:
w=softmax(f(x)) (2)
式中,f代表全连接神经网络,x代表像素样本,softmax代表全连接神经网络的softmax层;
将所述权重矩阵与所述像素样本的像素点数据做哈达玛积,并将结果输入至卷积神经网络中,得到优化的像素样本,包括:
通过式(3)得到优化的像素样本:
restruction=f(x*w) (3)
其中,令z=x*w,f由五个子函数嵌套组成,表示为:
2.根据权利要求1所述的一种基于注意力的全局局部光谱权重的波段选择方法,其特征在于,所述通过K-means聚类算法对所述优化的像素样本的权重矩阵进行聚簇处理,包括:
根据波段之间的欧式距离,利用K-means聚类算法将所述波段分为不同的波段簇;所述K-means聚类算法,包括:
在所述优化的像素样本的权重矩阵的L个波段中随机选取K个波段作为初始点;
随机选取K个波段的位置作为初始波段簇的质心,并形成K个波段类别的波段簇;
计算除所述K个波段之外的波段距每个所述初始波段簇质心的距离,并将波段类别标记为与所述初始波段簇质心的距离最近的质心所对应的波段簇;
若所述K个波段之外的波段所属的波段簇未改变,则返回上一步,更新波段簇内质心的位置,然后重新计算除所述K个波段之外的波段距每个所述初始波段簇质心的距离并再次归分到相应的波段簇中;
当每个所述波段簇的质心不再发生变化时,算法结束。
3.根据权利要求2所述的一种基于注意力的全局局部光谱权重的波段选择方法,其特征在于,所述根据聚簇处理的结果得到每个波段簇中方差最大的波段索引,包括:
将所述优化的像本样本的权重矩阵中所有的波段划分为C1,C2,C3…Ck个波段簇,通过聚簇处理得到被选择的波段子集,表示为:
其中,为第K个波段簇中最大的方差所代表的波段索引。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443963.9A CN113111834B (zh) | 2021-04-23 | 2021-04-23 | 一种基于注意力的全局局部光谱权重的波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443963.9A CN113111834B (zh) | 2021-04-23 | 2021-04-23 | 一种基于注意力的全局局部光谱权重的波段选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111834A CN113111834A (zh) | 2021-07-13 |
CN113111834B true CN113111834B (zh) | 2024-04-05 |
Family
ID=76719696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110443963.9A Active CN113111834B (zh) | 2021-04-23 | 2021-04-23 | 一种基于注意力的全局局部光谱权重的波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111834B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017066825A1 (en) * | 2015-10-19 | 2017-04-27 | National Ict Australia Limited | Spectral reconstruction |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学(武汉) | 一种基于深度学习的高光谱图像波段选择方法 |
WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
CN112580480A (zh) * | 2020-12-14 | 2021-03-30 | 河海大学 | 一种高光谱遥感影像分类方法及装置 |
-
2021
- 2021-04-23 CN CN202110443963.9A patent/CN113111834B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017066825A1 (en) * | 2015-10-19 | 2017-04-27 | National Ict Australia Limited | Spectral reconstruction |
WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
CN111191514A (zh) * | 2019-12-04 | 2020-05-22 | 中国地质大学(武汉) | 一种基于深度学习的高光谱图像波段选择方法 |
CN111160273A (zh) * | 2019-12-31 | 2020-05-15 | 北京云智空间科技有限公司 | 一种高光谱图像空谱联合分类方法及装置 |
CN112580480A (zh) * | 2020-12-14 | 2021-03-30 | 河海大学 | 一种高光谱遥感影像分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
遥感影像地物分类多注意力融和U型网络法;李道纪;郭海涛;卢俊;赵传;林雨准;余东行;;测绘学报(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111834A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adaptive spectral–spatial multiscale contextual feature extraction for hyperspectral image classification | |
CN112232280B (zh) | 基于自编码器与3d深度残差网络的高光谱图像分类方法 | |
CN110210313B (zh) | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 | |
Farmonov et al. | Crop type classification by DESIS hyperspectral imagery and machine learning algorithms | |
Abdalla et al. | Nutrient status diagnosis of infield oilseed rape via deep learning-enabled dynamic model | |
Zhang et al. | Classification modeling method for near‐infrared spectroscopy of tobacco based on multimodal convolution neural networks | |
CN104732244B (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
CN110472682B (zh) | 一种顾及空间和局部特征的高光谱遥感影像分类方法 | |
CN110309811A (zh) | 一种基于胶囊网络的高光谱图像分类方法 | |
Zhou et al. | Deep feature alignment neural networks for domain adaptation of hyperspectral data | |
CN104182767B (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
Arun et al. | Capsulenet-based spatial–spectral classifier for hyperspectral images | |
CN111160392A (zh) | 一种基于小波宽度学习***的高光谱分类方法 | |
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 | |
CN115512162A (zh) | 基于注意力孪生网络与多模态融合特征的地物分类方法 | |
CN112784907A (zh) | 基于空谱特征与bp神经网络的高光谱图像分类方法 | |
CN114299398B (zh) | 一种基于自监督对比学习的小样本遥感图像分类方法 | |
CN116563606A (zh) | 一种基于双分支空谱全局特征提取网络的高光谱图像分类方法 | |
CN114418027A (zh) | 一种基于波段注意力机制的高光谱图像特征波段选择方法 | |
CN110781832B (zh) | 基于联合深度置信网络的高光谱图像异常目标检测方法 | |
CN116312860B (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
CN112633301A (zh) | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 | |
CN113111834B (zh) | 一种基于注意力的全局局部光谱权重的波段选择方法 | |
CN111062888A (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
Shao et al. | Dual-channel networks with optimal-band selection strategy for arbitrary cropped hyperspectral images 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 |