CN113723492A - 一种改进主动深度学习的高光谱图像半监督分类方法及装置 - Google Patents
一种改进主动深度学习的高光谱图像半监督分类方法及装置 Download PDFInfo
- Publication number
- CN113723492A CN113723492A CN202110978295.XA CN202110978295A CN113723492A CN 113723492 A CN113723492 A CN 113723492A CN 202110978295 A CN202110978295 A CN 202110978295A CN 113723492 A CN113723492 A CN 113723492A
- Authority
- CN
- China
- Prior art keywords
- label
- sample set
- sample
- samples
- anchor
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 31
- 238000002372 labelling Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 19
- 238000000691 measurement method Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 4
- 235000011613 Pinus brutia Nutrition 0.000 description 4
- 241000018646 Pinus brutia Species 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
一种改进主动深度学习的高光谱图像半监督分类方法及装置,涉及遥感图像处理技术领域,用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括:利用有标签样本训练卷积神经网络,并利用卷积神经网络对无标签样本进行类别概率预测;根据预测的类别概率,利用主动学习策略计算获得其中信息量最大的无标签样本;引入随机多图算法对无标签样本进行标记,在伪标签候选池中寻找信息量大的样本作为新样本,将新样本加入训练集,对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能,可应用于标签样本稀缺的高光谱遥感图像分类之中。
Description
技术领域
本发明涉及遥感图像处理技术领域,具体涉及一种改进主动深度学习的高光谱图像半监督分类方法及装置。
背景技术
在过去几十年,卫星遥感技术以宏观、全面、快速、动态和准确的优势,为研究地球资源、监测局部和区域环境变化和研究全球环境变化等提供了先进检测和研究手段。遥感数据中的高光谱图像可以捕获数百个连续窄带中观察到的每个像素光谱行为,为后续的信息提取提供了巨大的潜力。高光谱图像逐渐被应用在土地覆盖,森林资源和城市地区等许多方面。所有这些应用都需要每个高光谱像素向量的地物类别标签,因此,高光谱图像分类作为高光谱遥感中的基础和挑战性任务,逐渐成为遥感领域的热门研究方向。
利用深度学习模型进行分类需要大量的有标签样本训练分类模型,而这些标记样本不仅需要专家的先验知识进行标记,还耗费时间和成本,在实践中很难获取。为缓解这一问题,具有高标记效率的主动学习方法被提出并且成功应用于高光谱图像分类中。主动学习的主要思想是通过人机交互方式,人为地对少数未知样本进行标注,不仅达到扩展训练集的目的,还减少了标记样本的数量。虽然加入主动学习方法可以提高计算效率和分类精度,但主动学习是人机交互的循环过程,仍然存在少量人类专家标记样本的代价,存在时间和金钱上的消耗。
发明内容
针对上述现有分类方法存在的不足,本发明提出一种改进主动深度学习的高光谱图像半监督分类方法及装置,用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。
根据本发明一方面,提出一种改进主动深度学习的高光谱图像半监督分类方法,该方法包括以下步骤:
步骤一、获取高光谱图像数据集,将所述高光谱图像数据集划分为训练样本集和测试样本集;其中,训练样本集包含有标签样本,测试样本集包含无标签样本;
步骤二、将训练样本集输入到卷积神经网络中,初始化卷积神经网络模型;
步骤三、将测试样本集输入到初始化后的卷积神经网络模型中,获得无标签样本的输出类别概率;
步骤四、根据所述输出类别概率,利用主动学习策略计算测试样本集中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序;
步骤五、根据训练样本集,利用随机多图算法对测试样本集中的无标签样本进行伪标注,获取带有伪标注的伪标签样本;
步骤六、根据步骤四计算得到的无标签样本的信息量,在带有伪标注的伪标签样本中查询,将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本;
步骤七、将所述新样本加入训练样本集,迭代循环执行步骤二至步骤六,直至达到预设最大迭代次数则停止迭代,保存最终训练好的卷积神经网络模型;
步骤八、将待分类高光谱图像数据输入到最终训练好的卷积神经网络模型中,获得分类结果。
进一步地,步骤四中所述主动学习策略包括基于概率启发式方法中的信息熵度量、最佳与第二最佳度量方法。
进一步地,利用信息熵度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
其中,zi表示样本;C表示样本类别总数。
进一步地,利用最佳与第二最佳度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
BVSB(zi)=PB(zi)-PSB(zi)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率。
进一步地,步骤五中利用随机多图算法对测试样本集的无标签样本进行伪标注的具体过程包括:
步骤五一、对训练样本集和测试样本集进行PCA降维;
步骤五二、利用局部二值模式改进后的等值模式提取训练样本集和测试样本集的光谱波段空间信息,获得训练样本集和测试样本集的空间特征向量;
步骤五三、分别将训练样本集和测试样本集的原始高光谱图像数据和其对应的空间特征向量进行结合,获得所有样本点;利用所有样本点构建随机多图,并对其进行学习,根据学习获得的标签预测函数得到无标签样本的伪标签;所述随机多图为加权图,所述加权图的顶点由样本点组成,边表示权重矩阵,权重大则表示相邻两个顶点具有相同的标签。
进一步地,步骤五二中所述局部二值模式改进后的等值模式是指当局部二值模式所对应的循环二进制数从0到1或从1到0、最多有两次跳变时,该局部二值模式所对应的二进制就成为一个等价模式;步骤五二的具体过程包括:
首先,将降维后的每个有标签或无标签样本进行区域划分,计算每个局部区域的LBP码;其中,每个局部区域的中心像素点表示为tc,其所属局部区域内的p个相邻像素由以中心像素点tc为圆心,半径为r的圆生成,则中心像素点tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将该相邻像素点的位置标为“1”,即U(ti-tc)=1;若小于阈值,将其位置标为“0”,即U(ti-tc)=0;
最后,计算每个局部区域的直方图,并将统计直方图连接成一个特征向量,即获得空间特征向量。
进一步地,步骤五三中利用锚图算法构建加权图并对其进行学***均,具体过程包括:
首先,对所有样本点进行聚类,获得多个聚类中心,选择m个聚类中心作为锚点,每个锚点用aj表示;
然后,标签预测函数表达式为:
其中,f=[f(x1),f(x2),...,f(xN)]T表示无标签样本的标签预测值;FA=[F(a1),F(a2),...,F(am)]T表示每个锚点的标签值;Pij∈RN×m表示待学习的数据-锚点映射矩阵;N表示样本的像素总数;
对上述标签预测函数表达式中每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij分别求解,利用高斯定义求解待学习的数据-锚点映射矩阵:
其中,Kσ(.)表示带宽为σ的高斯核函数;A<i>表示样本点xi的近邻锚点;uj'表示锚点aj的近邻点;
根据待学习的数据-锚点映射矩阵Pij求解获得权重矩阵W:
W=PΛ-1PT
并根据权重矩阵W计算获得每个锚点的标签值FA;将求解获得的每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij代入标签预测函数表达式中即获得无标签样本的标签预测值。
根据本发明另一方面,提出一种改进主动深度学习的高光谱图像半监督分类装置,该装置包括:
数据获取模块,用于获取高光谱图像数据集,将所述高光谱图像数据集划分为训练样本集和测试样本集;其中,训练样本集包含有标签样本,测试样本集包含无标签样本;
模型训练模块,包括模型初始化子模块、类别输出子模块、信息量计算子模块、伪标注子模块、查询子模块和迭代循环子模块;其中,
模型初始化子模块,用于将训练样本集输入到卷积神经网络中,初始化卷积神经网络模型;
类别输出子模块,用于将测试样本集输入到初始化后的卷积神经网络模型中,获得无标签样本的输出类别概率;
信息量计算子模块,用于根据所述输出类别概率,利用主动学习策略计算测试样本集中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序;所述主动学习策略包括基于概率启发式方法中的信息熵度量、最佳与第二最佳度量方法;其中,利用信息熵度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
其中,zi表示样本;C表示样本类别总数;zik表示样本的第k个元素;
利用最佳与第二最佳度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
BVSB(zi)=PB(zi)-PSB(zi)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率;
伪标注子模块,用于根据训练样本集,利用随机多图算法对测试样本集中的无标签样本进行伪标注,获取带有伪标注的伪标签样本;
查询子模块,用于根据计算得到的无标签样本的信息量,在带有伪标注的伪标签样本中查询,将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本;
迭代循环子模块,用于将所述新样本加入训练样本集,依次迭代循环执行模型初始化子模块、类别输出子模块、信息量计算子模块、伪标注子模块、查询子模块,直至达到预设最大迭代次数则停止迭代,保存最终训练好的卷积神经网络模型;
图像分类模块,用于将待分类高光谱图像数据输入到最终训练好的卷积神经网络模型中,获得分类结果。
进一步地,所述伪标注子模块中利用随机多图算法对测试样本集的无标签样本进行伪标注的具体过程包括:
步骤五一、对训练样本集和测试样本集进行PCA降维;
步骤五二、利用局部二值模式改进后的等值模式提取训练样本集和测试样本集的光谱波段空间信息,获得训练样本集和测试样本集的空间特征向量;所述局部二值模式改进后的等值模式是指当局部二值模式所对应的循环二进制数从0到1或从1到0、最多有两次跳变时,该局部二值模式所对应的二进制就成为一个等价模式;具体过程包括:
首先,将降维后的每个有标签或无标签样本进行区域划分,计算每个局部区域的LBP码;其中,每个局部区域的中心像素点表示为tc,其所属局部区域内的p个相邻像素由以中心像素点tc为圆心,半径为r的圆生成,则中心像素点tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将该相邻像素点的位置标为“1”,即U(ti-tc)=1;若小于阈值,将其位置标为“0”,即U(ti-tc)=0;
最后,计算每个局部区域的直方图,并将统计直方图连接成一个特征向量,即获得空间特征向量;
步骤五三、分别将训练样本集和测试样本集的原始高光谱图像数据和其对应的空间特征向量进行结合,获得所有样本点;利用所有样本点构建随机多图,并对其进行学习,根据学习获得的标签预测函数得到无标签样本的伪标签;所述随机多图为加权图,所述加权图的顶点由样本点组成,边表示权重矩阵,权重大则表示相邻两个顶点具有相同的标签。
进一步地,所述伪标注子模块中利用锚图算法构建加权图并对其进行学***均,具体过程包括:
首先,对所有样本点进行聚类,获得多个聚类中心,选择m个聚类中心作为锚点,每个锚点用aj表示;
然后,标签预测函数表达式为:
其中,f=[f(x1),f(x2),...,f(xN)]T表示无标签样本的标签预测值;FA=[F(a1),F(a2),...,F(am)]T表示每个锚点的标签值;Pij∈RN×m表示待学习的数据-锚点映射矩阵;N表示样本的像素总数;
对上述标签预测函数表达式中每个锚点的标签值和待学习的数据-锚点映射矩阵分别求解,利用高斯定义求解待学习的数据-锚点映射矩阵:
其中,Kσ(.)表示带宽为σ的高斯核函数;A<i>表示样本点xi的近邻锚点;uj'表示锚点aj的近邻点;
根据待学习的数据-锚点映射矩阵Pij求解获得权重矩阵W:
W=PΛ-1PT
并根据权重矩阵W计算获得每个锚点的标签值FA;将求解获得的每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij代入标签预测函数表达式中即获得无标签样本的标签预测值。
本发明的有益技术效果是:
与传统主动深度学习分类框架相比,本发明利用随机多图的半监督学习算法为无标签样本打标记,降低了主动学习中人工标记的昂贵成本,实现了机器自学习过程。本发明在高光谱遥感图像少量标签样本情况下,分类准确率仍然很高,且对于不同地物样本分布不均衡现象,也具备良好的分类表现。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明方法的半监督分类框架图。
图2是本发明使用的Indian Pines高光谱图像的伪彩色图和分类参考图;其中,图(a)表示伪彩色图像,图(b)表示地面真实分类参考图。
图3是本发明方法和现有五种分类方法对Indian Pines数据集的分类结果对比图;其中,图(a)对应边缘滤波方法,图(b)对应递归滤波方法,图(c)对应随机块网络方法,图(d)对应传统主动深度学习方法,图(e)对应传统随机多图方法,图(f)对应本发明方法。
图4是本发明装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然,所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例,而不是全部的。基于本发明中的实施方式或实施例,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方式或实施例,都应当属于本发明保护的范围。
本发明实施例提出一种改进主动深度学习的高光谱图像半监督分类方法,如图1所示,该方法包括以下步骤:
步骤一、将高光谱图像数据划分为有标签样本集和无标签样本集,初始化的训练样本集为有限数量的有标签样本集,测试样本集为无标签样本集;
根据本发明实施例,假设高光谱图像数据集为Data∈RH×W×B,其中,H和W是空间图像的高度和宽度,B是光谱波段数量;将N=HW定义为像素总数,将L={c1,c2,...,cn}定义为可用的标记像素集,其中,ci是第i个像素向量,n是标记像素总数,n<<N;从高光谱图像数据集所含的每个类别中随机抽取3.3%作为训练样本集DL,剩余的作为测试样本集DU。
步骤二、将有限数量的有标签样本集即训练样本集输入到卷积神经网络中,初始化卷积神经网络模型。
卷积神经网络的目标函数为:
L(Y,FΘ|Data,DA)=Lu(Y,FΘ|Data,DA)+Lp(Y|Data) (1)
其中,FΘ表示由CNN卷积神经网络CNN使用参数实现的非线性函数,Lu表示通过使用CNN卷积神经网络预测每个像素的分类概率的一元项;Lp表示强制相邻像素具有相同标签的成对项;DA表示经过数据增强后的训练样本集。在这里,标签Y和参数Θ是要优化的变量。
卷积神经网络的数据输入是三维立方块形式,采用三维卷积核进行卷积和池化,网络的输出选择softmax函数,定义为:
其中,zi为第i个节点的输出值,C为输出节点的个数,即分类类别总数,通过Softmax函数将多分类的输出值转换为范围在[0,1]、和为1的概率分布。
步骤三、将无标签样本输入到初始化后的卷积神经网络模型中,得到无标签样本的输出类别概率;根据CNN模型输出的类别概率,利用主动学习策略的公式,计算每一个无标签样本的信息量:并将信息量按照从大到小的顺序排序。
AL是一种流行的策略,通过以迭代方式查询标签来选择信息最多的样本。由于可以从CNN中获得类别成员概率估计,因此可以采用基于概率的一些AL标准,例如基于概率启发式方法中的信息熵度量(Entropy,EP度量)和最佳与第二最佳度量(Best-versus-SecondBest,BVSB度量)。这两个标准都可以帮助选择信息丰富的候选者以查询注释。接下来分别详细介绍这两种学习策略。
EP度量:EP可以测量类成员的不确定性,如果样本具有高EP分布,则分类器不确定其类别成员资格并选择此样本。这种方式对于每个未标记的样本,可以将类成员资格视为随机变量,具有以计算的估计的类隶属度概率的z分布P,即P(zik)=P(yi=k|xi,Fθ),其中zik表示变量zi的第k个元素。由于EP可以测量类成员的不确定性,因此zi的多类离散EP计算公式如下:
其中,zi表示样本;P(·)表示概率分布;zik表示样本的第k个元素;
BVSB度量:在数学中,可以使用熵(Entropy)来衡量一个***的不确定性,熵越大表示样本的不确定性越大,熵越小表示样本的不确定性越小。BVSB度量通过计算最混淆的类别(即第一和第二最有可能的类别)之间的类别概率差,确定样本的信息量。如果样本的BVSB值小,则此样本信息量大,将在随后的训练中选择该样本。公式如下:
BVSB(zi)=PB(zi)-PSB(zi) (4)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率。
总体而言,两个AL标准以下迭代方式实现:在每一轮中,计算无标签样本中所有样本的类成员资格概率,并选择具有高EP值或低BVSB值的样本并获取样本的位置。根据位置信息,可以在后续获得的伪标签样本池中选择对应位置样本的伪标签,然后将新样本添加到训练集中,对CNN进行微调训练。
步骤四、根据相同数量的标记样本即训练样本集,利用随机多图算法对大量无标签的样本进行伪标注;具体过程如下。
首先,进行特征提取。光谱特征提取是使用所有光谱波段的原始数据作为输入,经过PCA降维后,利用局部二值模式(local binary pattern,,LBP)提取光谱波段的空间信息,LBP是一种用来描述图像局部纹理特征的算子,本发明选择原LBP的改进,称为等值模式。LBP改进后的等值模式是指当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时,该LBP所对应的二进制就成为一个等价模式。
对于中心像素tc,以中心像素为阈值,根据相邻像素值是否大于阈值,将像素点的位置标为“1”或“0”。假设p个相邻像素由以tc为圆心,半径为r的圆生成,则中心像素tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将此像素点的位置标为“1”,即U(ti-tc)=1;若其相邻像素值小于阈值,将此像素点的位置标为“0”,U(ti-tc)=0。
LBP码的输出反映了大小为k×k局部区域的纹理方向和平滑度,其中局部区域w是自定义参数,最后计算每个区域的直方图,并将统计直方图连接成一个特征向量,即空间特征向量。通过这样的改进,二进制模式的种类大大减少,模式数量由原来的2p种减少至p(p-1)+2种,在特征向量的维数减少的同时,也不会丢失任何信息。
随机多图算法具体为:将光谱特征和空间特征结合到随机多图中进行分类,符号定义有:通过有标签数据DL=[x1,x2,...,xn]和无标签数据DU=[xn+1,xn+2,...,xN]组成的数据集,利用高斯核计算可以得到权重矩阵W,即可以得到一个加权图。其中,图的顶点由N个数据点组成,图中的边由权重矩阵W∈RN×N表示,代表了关联节点之间的相似性,若权重wij较大,则认为相邻顶点xi和xj具有相同的标签。
传统基于图的半监督学习方法表述为下面的二次优化问题,C分类半监督学习的目标函数可由此定义为:
mintr(f-Y)TK(f-Y)+tr(fTLf) (6)
其中,tr(·)是跟踪函数,f∈RN×C是可以学习的标签预测矩阵,Y=(y1,...,yn,0,...,0)T∈RN×C,K∈RN×N是一个对角矩阵,当1≤i≤n时,矩阵中的第i个对角元素ki=αn>0,当n+1≤i≤N时,ki=αN≥0,αn、αN是两个参数。L∈RN×N正则化矩阵,L为拉普拉斯图,定义为L=D-W,其中,W是图的权重矩阵。
其中,Pij为数据自适应权值即待学习的数据-锚点映射矩阵,定义无标签样本的标签预测值f=[f(x1),f(x2),...,f(xN)]T和锚点值FA=[F(a1),F(a2),...,F(am)]T,所以公式(7)可改写为:
f=PFA,P∈RN×m,m<<N (8)
从公式(8)可以看出,对未知标签的求解空间由f减少到FA,并且将这些锚点作为K-means聚类中心,充分表示数据流形。矩阵P∈RN×m是待学习的数据-锚点映射矩阵,使用Nadaraya-Watson核回归中基于核函数的定义将矩阵P写为:
其中,采用带宽为σ的高斯核函数Kσ(xi,uj')=exp(-||xi-uj'||2/2σ2)作为核回归;uj'表示锚点aj的近邻点;A<i>是xi的近邻锚点,通常认为当时,Pij=0,在这里认为如果xi和aj相近,则Pij更大,反之亦然。
也可以利用局部锚嵌入(Local Anchor Embedding,LAE)算法来计算获得待学习的数据-锚点映射矩阵,数据-锚点映射问题可以表述为:
s.t.Pij≥0,Pi1=1. (10)
其中,X∈RN×B表示数据矩阵,矩阵中每一行是一个数据样本,A∈Rm×B是锚点矩阵,矩阵中每一行代表一个锚点;P∈RN×m表示待学习的数据-锚点映射矩阵。
根据待学习的数据-锚点映射矩阵P,它的邻近矩阵即权重矩阵W为:
W=PΛ-1PT (11)
其中,对角矩阵Λ∈Rm×m定义为:
根据锚的标签预测模型即公式(7),先求解FA,再利用公式(8)即可求出其他数据点的标签,FA的目标函数定义为:
其中,Pl是P的子矩阵,Yl是标记数据的标签,|||·||F是矩阵的Frobenius范数,γ是正则化系数。若令Lr=PTLP,根据公式(11),图拉普拉斯矩阵L=D-W=I-PΛ-1PT,那么,
Lr=PTLP=PT(I-PΛ-1PT)P=PTP-(PTP)Λ-1(PTP) (14)
令偏导数w.r.t FA等于0,可以得到:
由此,无标签样本的标签可以由下面公式预测:
yi=argmaxj∈1,...,CPiFAj,i=n+1,...,N (16)
其中,Pi代表P矩阵的第i行,FAj代表FA矩阵的第j列。
步骤五、在上述得到的伪标签样本中查询信息量最大样本,将满足样本信息量大且有伪标签的样本称为新标记样本,即将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本,将其加入训练集,扩充训练集并进行下一轮训练;
步骤六、对模型按照上述步骤进行多次迭代,直至达到预设最大迭代次数则停止迭代,预设最大迭代次数例如为五次;训练结束后,将待分类样本输入到训练好的模型中进行测试,得到最后的分类结果。
以下结合实验,对本发明的技术效果作详细说明。
如图2所示,实验采用印第安纳数据集(Indian Pines),其中的数据是由机载可见/红外成像光谱仪(AVIRIS)传感器收集的。该数据集中的数据是由145×145个像素和220个光谱波段组成,波长范围为0.4-2.5μm,剔除20个水吸收波段后对剩下的200个波段进行研究,现有的地物被划分为16个类别。图2(a)和(b)分别显示了该数据集的假彩色图像和地面真实分类图。
如图3所示,将本发明方法与边缘滤波、递归滤波、随机块网络、传统主动深度学习和传统随机多图五种分类方法进行对比,可观察到,图3(f)即本发明方法对应分类结果和原始图最接近,其他方法的分类结果图都有不同程度的错分情况。
表1是本发明和其他五种分类方法的分类结果,实验时采用总体精度(OA)、Kappa系数和每一类地物精度(CA)三个评价标准。由表1可以看出,本发明方法在所有指标上表现都较好,和传统主动深度学习方法相比,本发明方法在OA上提升了5%以上。
针对第一、第七、第九类地物,因为每一类地物的样本数量各不相同,所以受样本数量限制导致在分类准确度上无法提高,但是本发明方法能同时令这三种地物的分类精度达到100%。说明在训练集中加入更具代表性的无标签样本训练模型,可以令模型的分类性在不平衡数据集上也能表现良好。
表1不同方法在印度松树数据集上的分类精度
本发明另一实施例提供一种改进主动深度学习的高光谱图像半监督分类装置,如图4所示,该装置包括:
数据获取模块10,用于获取高光谱图像数据集,将高光谱图像数据集划分为训练样本集和测试样本集;其中,训练样本集包含有标签样本,测试样本集包含无标签样本;
模型训练模块20,包括模型初始化子模块210、类别输出子模块220、信息量计算子模块230、伪标注子模块240、查询子模块250和迭代循环子模块260;其中,
模型初始化子模块210,用于将训练样本集输入到卷积神经网络中,初始化卷积神经网络模型;
类别输出子模块220,用于将测试样本集输入到初始化后的卷积神经网络模型中,获得无标签样本的输出类别概率;
信息量计算子模块230,用于根据输出类别概率,利用主动学习策略计算测试样本集中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序;主动学习策略包括基于概率启发式方法中的信息熵度量、最佳与第二最佳度量方法;其中,利用信息熵度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
其中,zi表示样本;C表示样本类别总数;
利用最佳与第二最佳度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
BVSB(zi)=PB(zi)-PSB(zi)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率;
伪标注子模块240,用于根据训练样本集,利用随机多图算法对测试样本集中的无标签样本进行伪标注,获取带有伪标注的伪标签样本;
查询子模块250,用于根据计算得到的无标签样本的信息量,在带有伪标注的伪标签样本中查询,将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本;
迭代循环子模块260,用于将新样本加入训练样本集,依次迭代循环执行模型初始化子模块210、类别输出子模块220、信息量计算子模块230、伪标注子模块240、查询子模块250,直至达到预设最大迭代次数则停止迭代,保存最终训练好的卷积神经网络模型;
图像分类模块30,用于将待分类高光谱图像数据输入到最终训练好的卷积神经网络模型中,获得分类结果。
其中,伪标注子模块240中利用随机多图算法对测试样本集的无标签样本进行伪标注的具体过程包括:
步骤五一、对训练样本集和测试样本集进行PCA降维;
步骤五二、利用局部二值模式改进后的等值模式提取训练样本集和测试样本集的光谱波段空间信息,获得训练样本集和测试样本集的空间特征向量;局部二值模式改进后的等值模式是指当局部二值模式所对应的循环二进制数从0到1或从1到0、最多有两次跳变时,该局部二值模式所对应的二进制就成为一个等价模式;具体过程包括:
首先,将降维后的每个有标签或无标签样本进行区域划分,计算每个局部区域的LBP码;其中,每个局部区域的中心像素点表示为tc,其所属局部区域内的p个相邻像素由以中心像素点tc为圆心,半径为r的圆生成,则中心像素点tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将该相邻像素点的位置标为“1”,即U(ti-tc)=1;若小于阈值,将其位置标为“0”,即U(ti-tc)=0;
最后,计算每个局部区域的直方图,并将统计直方图连接成一个特征向量,即获得空间特征向量;
步骤五三、分别将训练样本集和测试样本集的原始高光谱图像数据和其对应的空间特征向量进行结合,获得所有样本点;利用所有样本点构建随机多图,对其进行学习,根据标签预测函数获得无标签样本的伪标签;随机多图为加权图,加权图的顶点由样本点组成,边表示权重矩阵,权重大则表示相邻两个顶点具有相同的标签。
伪标注子模块240中利用锚图算法构建加权图并对其进行学***均,具体过程包括:
首先,对所有样本点进行聚类,获得多个聚类中心,选择m个聚类中心作为锚点,每个锚点用aj表示;
然后,标签预测函数表达式为:
其中,f=[f(x1),f(x2),...,f(xN)]T表示无标签样本的标签预测值;FA=[F(a1),F(a2),...,F(am)]T表示每个锚点的标签值;Pij∈RN×m表示待学习的数据-锚点映射矩阵;N表示样本的像素总数;
对上述标签预测函数表达式中每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij分别求解,利用高斯定义求解待学习的数据-锚点映射矩阵:
其中,Kσ(.)表示带宽为σ的高斯核函数;A<i>表示样本点xi的近邻锚点;uj'表示锚点aj的近邻点;
根据待学习的数据-锚点映射矩阵Pij求解获得权重矩阵W:
W=PΛ-1PT
并根据权重矩阵W计算获得每个锚点的标签值FA;将求解获得的每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij代入标签预测函数表达式中即获得无标签样本的标签预测值。
本实施例所述一种改进主动深度学习的高光谱图像半监督分类装置的功能可以由前述一种改进主动深度学习的高光谱图像半监督分类方法说明,因此本实施例未详述部分,可参见以上方法实施例,在此不再赘述。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种改进主动深度学习的高光谱图像半监督分类方法,其特征在于,包括以下步骤:
步骤一、获取高光谱图像数据集,将所述高光谱图像数据集划分为训练样本集和测试样本集;其中,训练样本集包含有标签样本,测试样本集包含无标签样本;
步骤二、将训练样本集输入到卷积神经网络中,初始化卷积神经网络模型;
步骤三、将测试样本集输入到初始化后的卷积神经网络模型中,获得无标签样本的输出类别概率;
步骤四、根据所述输出类别概率,利用主动学习策略计算测试样本集中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序;
步骤五、根据训练样本集,利用随机多图算法对测试样本集中的无标签样本进行伪标注,获取带有伪标注的伪标签样本;
步骤六、根据步骤四计算得到的无标签样本的信息量,在带有伪标注的伪标签样本中查询,将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本;
步骤七、将所述新样本加入训练样本集,迭代循环执行步骤二至步骤六,直至达到预设最大迭代次数则停止迭代,保存最终训练好的卷积神经网络模型;
步骤八、将待分类高光谱图像数据输入到最终训练好的卷积神经网络模型中,获得分类结果。
2.根据权利要求1所述的一种改进主动深度学习的高光谱图像半监督分类方法,其特征在于,步骤四中所述主动学习策略包括基于概率启发式方法中的信息熵度量、最佳与第二最佳度量方法。
4.根据权利要求3所述的一种改进主动深度学习的高光谱图像半监督分类方法,其特征在于,利用最佳与第二最佳度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
BVSB(zi)=PB(zi)-PSB(zi)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率。
5.根据权利要求4所述的一种改进主动深度学习的高光谱图像半监督分类方法,其特征在于,步骤五中利用随机多图算法对测试样本集的无标签样本进行伪标注的具体过程包括:
步骤五一、对训练样本集和测试样本集进行PCA降维;
步骤五二、利用局部二值模式改进后的等值模式提取训练样本集和测试样本集的光谱波段空间信息,获得训练样本集和测试样本集的空间特征向量;
步骤五三、分别将训练样本集和测试样本集的原始高光谱图像数据和其对应的空间特征向量进行结合,获得所有样本点;利用所有样本点构建随机多图,并对其进行学习,根据学习获得的标签预测函数得到无标签样本的伪标签;所述随机多图为加权图,所述加权图的顶点由样本点组成,边表示权重矩阵,权重大则表示相邻两个顶点具有相同的标签。
6.根据权利要求5所述的一种改进主动深度学习的高光谱图像半监督分类方法,其特征在于,步骤五二中所述局部二值模式改进后的等值模式是指当局部二值模式所对应的循环二进制数从0到1或从1到0、最多有两次跳变时,该局部二值模式所对应的二进制就成为一个等价模式;步骤五二的具体过程包括:
首先,将降维后的每个有标签或无标签样本进行区域划分,计算每个局部区域的LBP码;其中,每个局部区域的中心像素点表示为tc,其所属局部区域内的p个相邻像素由以中心像素点tc为圆心,半径为r的圆生成,则中心像素点tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将该相邻像素点的位置标为“1”,即U(ti-tc)=1;若小于阈值,将其位置标为“0”,即U(ti-tc)=0;
最后,计算每个局部区域的直方图,并将统计直方图连接成一个特征向量,即获得空间特征向量。
7.根据权利要求6所述的一种改进主动深度学***均,具体过程包括:
首先,对所有样本点进行聚类,获得多个聚类中心,选择m个聚类中心作为锚点,每个锚点用aj表示;
然后,标签预测函数表达式为:
其中,f=[f(x1),f(x2),...,f(xN)]T表示无标签样本的标签预测值;FA=[F(a1),F(a2),...,F(am)]T表示每个锚点的标签值;Pij∈RN×m表示待学习的数据-锚点映射矩阵;N表示样本的像素总数;
对上述标签预测函数表达式中每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij分别求解;其中,利用高斯定义求解待学习的数据-锚点映射矩阵:
其中,Kσ(.)表示带宽为σ的高斯核函数;A<i>表示样本点xi的近邻锚点;uj'表示锚点aj的近邻点;
根据待学习的数据-锚点映射矩阵Pij求解获得权重矩阵W:
W=PΛ-1PT
并根据权重矩阵W计算获得每个锚点的标签值FA;将求解获得的每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij代入标签预测函数表达式中即获得无标签样本的标签预测值。
8.一种改进主动深度学习的高光谱图像半监督分类装置,其特征在于,包括:
数据获取模块,用于获取高光谱图像数据集,将所述高光谱图像数据集划分为训练样本集和测试样本集;其中,训练样本集包含有标签样本,测试样本集包含无标签样本;
模型训练模块,包括模型初始化子模块、类别输出子模块、信息量计算子模块、伪标注子模块、查询子模块和迭代循环子模块;其中,
模型初始化子模块,用于将训练样本集输入到卷积神经网络中,初始化卷积神经网络模型;
类别输出子模块,用于将测试样本集输入到初始化后的卷积神经网络模型中,获得无标签样本的输出类别概率;
信息量计算子模块,用于根据所述输出类别概率,利用主动学习策略计算测试样本集中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序;所述主动学习策略包括基于概率启发式方法中的信息熵度量、最佳与第二最佳度量方法;其中,利用信息熵度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
其中,zi表示样本;C表示样本类别总数;
利用最佳与第二最佳度量方法计算测试样本集中每一个无标签样本的信息量的公式为:
BVSB(zi)=PB(zi)-PSB(zi)
其中,PB表示样本的最佳类别隶属概率;PSB表示样本的第二最佳类别隶属概率;
伪标注子模块,用于根据训练样本集,利用随机多图算法对测试样本集中的无标签样本进行伪标注,获取带有伪标注的伪标签样本;
查询子模块,用于根据计算得到的无标签样本的信息量,在带有伪标注的伪标签样本中查询,将超过预设信息量阈值的信息量所对应的伪标签样本标记为新样本;
迭代循环子模块,用于将所述新样本加入训练样本集,依次迭代循环执行模型初始化子模块、类别输出子模块、信息量计算子模块、伪标注子模块、查询子模块,直至达到预设最大迭代次数则停止迭代,保存最终训练好的卷积神经网络模型;
图像分类模块,用于将待分类高光谱图像数据输入到最终训练好的卷积神经网络模型中,获得分类结果。
9.根据权利要求8所述的一种改进主动深度学习的高光谱图像半监督分类装置,其特征在于,所述伪标注子模块中利用随机多图算法对测试样本集的无标签样本进行伪标注的具体过程包括:
步骤五一、对训练样本集和测试样本集进行PCA降维;
步骤五二、利用局部二值模式改进后的等值模式提取训练样本集和测试样本集的光谱波段空间信息,获得训练样本集和测试样本集的空间特征向量;所述局部二值模式改进后的等值模式是指当局部二值模式所对应的循环二进制数从0到1或从1到0、最多有两次跳变时,该局部二值模式所对应的二进制就成为一个等价模式;具体过程包括:
首先,将降维后的每个有标签或无标签样本进行区域划分,计算每个局部区域的LBP码;其中,每个局部区域的中心像素点表示为tc,其所属局部区域内的p个相邻像素由以中心像素点tc为圆心,半径为r的圆生成,则中心像素点tc的LBP码表示为:
其中,U是符号函数,以该中心像素点自身为阈值,若其相邻像素值大于或等于阈值,将该相邻像素点的位置标为“1”,即U(ti-tc)=1;若小于阈值,将其位置标为“0”,即U(ti-tc)=0;
最后,计算每个局部区域的直方图,并将统计直方图连接成一个特征向量,即获得空间特征向量;
步骤五三、分别将训练样本集和测试样本集的原始高光谱图像数据和其对应的空间特征向量进行结合,获得所有样本点;利用所有样本点构建随机多图,并对其进行学习,根据学习获得的标签预测函数得到无标签样本的伪标签;所述随机多图为加权图,所述加权图的顶点由样本点组成,边表示权重矩阵,权重大则表示相邻两个顶点具有相同的标签。
10.根据权利要求9所述的一种改进主动深度学***均,具体过程包括:
首先,对所有样本点进行聚类,获得多个聚类中心,选择m个聚类中心作为锚点,每个锚点用aj表示;
然后,标签预测函数表达式为:
其中,f=[f(x1),f(x2),...,f(xN)]T表示无标签样本的标签预测值;FA=[F(a1),F(a2),...,F(am)]T表示每个锚点的标签值;Pij∈RN×m表示待学习的数据-锚点映射矩阵;N表示样本的像素总数;
对上述标签预测函数表达式中每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij分别求解,利用高斯定义求解待学习的数据-锚点映射矩阵:
其中,Kσ(.)表示带宽为σ的高斯核函数;A<i>表示样本点xi的近邻锚点;uj'表示锚点aj的近邻点;
根据待学习的数据-锚点映射矩阵Pij求解获得权重矩阵W:
W=PΛ-1PT
并根据权重矩阵W计算获得每个锚点的标签值FA;将求解获得的每个锚点的标签值FA和待学习的数据-锚点映射矩阵Pij代入标签预测函数表达式中即获得无标签样本的标签预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978295.XA CN113723492B (zh) | 2021-08-25 | 2021-08-25 | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978295.XA CN113723492B (zh) | 2021-08-25 | 2021-08-25 | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723492A true CN113723492A (zh) | 2021-11-30 |
CN113723492B CN113723492B (zh) | 2024-05-24 |
Family
ID=78677841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978295.XA Active CN113723492B (zh) | 2021-08-25 | 2021-08-25 | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723492B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
CN116721278A (zh) * | 2023-05-11 | 2023-09-08 | 大连民族大学 | 基于胶囊网络的高光谱图像协同主动学习分类方法 |
CN117009883A (zh) * | 2023-09-28 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 对象分类模型构建方法、对象分类方法、装置和设备 |
CN117370844A (zh) * | 2023-11-02 | 2024-01-09 | 重庆数字城市科技有限公司 | 一种空间大数据治理方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN112287524A (zh) * | 2020-10-13 | 2021-01-29 | 泉州津大智能研究院有限公司 | 一种基于稀疏高斯条件随机场的情感分类方法及装置 |
CN112836736A (zh) * | 2021-01-28 | 2021-05-25 | 哈尔滨理工大学 | 一种基于深度自编码器构图的高光谱图像半监督分类方法 |
-
2021
- 2021-08-25 CN CN202110978295.XA patent/CN113723492B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及*** |
CN110852227A (zh) * | 2019-11-04 | 2020-02-28 | 中国科学院遥感与数字地球研究所 | 高光谱图像深度学习分类方法、装置、设备及存储介质 |
CN111414942A (zh) * | 2020-03-06 | 2020-07-14 | 重庆邮电大学 | 一种基于主动学习和卷积神经网络的遥感图像分类方法 |
CN112287524A (zh) * | 2020-10-13 | 2021-01-29 | 泉州津大智能研究院有限公司 | 一种基于稀疏高斯条件随机场的情感分类方法及装置 |
CN112836736A (zh) * | 2021-01-28 | 2021-05-25 | 哈尔滨理工大学 | 一种基于深度自编码器构图的高光谱图像半监督分类方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683235A (zh) * | 2022-12-28 | 2023-02-03 | 常州检验检测标准认证研究院 | 一种工业机器人伺服电机振动故障检测方法及装置 |
CN116721278A (zh) * | 2023-05-11 | 2023-09-08 | 大连民族大学 | 基于胶囊网络的高光谱图像协同主动学习分类方法 |
CN116721278B (zh) * | 2023-05-11 | 2024-01-09 | 大连民族大学 | 基于胶囊网络的高光谱图像协同主动学习分类方法 |
CN117009883A (zh) * | 2023-09-28 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 对象分类模型构建方法、对象分类方法、装置和设备 |
CN117009883B (zh) * | 2023-09-28 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 对象分类模型构建方法、对象分类方法、装置和设备 |
CN117370844A (zh) * | 2023-11-02 | 2024-01-09 | 重庆数字城市科技有限公司 | 一种空间大数据治理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113723492B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160311B (zh) | 基于多注意力机制双流融合网络的黄河冰凌语义分割方法 | |
CN113723492B (zh) | 一种改进主动深度学习的高光谱图像半监督分类方法及装置 | |
CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
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 | |
Li et al. | Structure-aware collaborative representation for hyperspectral image classification | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及*** | |
CN108629373B (zh) | 一种图像分类方法、***、设备及计算机可读存储介质 | |
CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN104252625A (zh) | 样本自适应多特征加权的遥感图像分类方法 | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN104408731B (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
CN103456017B (zh) | 基于种子集的半监督权重核模糊聚类的图像分割方法 | |
Jiang et al. | Hyperspectral image classification with transfer learning and Markov random fields | |
CN107657276B (zh) | 一种基于寻找语义类簇的弱监督语义分割方法 | |
Elmannai et al. | Classification using semantic feature and machine learning: Land-use case application | |
CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
CN113139515A (zh) | 基于条件随机场和深度特征学习的高光谱图像分类方法 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN116778339A (zh) | 局部视图辅助判别高光谱波段选择方法及*** | |
Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection | |
CN111539966A (zh) | 一种基于模糊c均值聚类的比色传感器阵列图像分割方法 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks |
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 |