CN113947725B - 一种基于卷积宽度迁移网络的高光谱图像分类方法 - Google Patents
一种基于卷积宽度迁移网络的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN113947725B CN113947725B CN202111244668.7A CN202111244668A CN113947725B CN 113947725 B CN113947725 B CN 113947725B CN 202111244668 A CN202111244668 A CN 202111244668A CN 113947725 B CN113947725 B CN 113947725B
- Authority
- CN
- China
- Prior art keywords
- domain
- layer
- network
- adaptation
- convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000005012 migration Effects 0.000 title claims abstract description 10
- 238000013508 migration Methods 0.000 title claims abstract description 10
- 230000006978 adaptation Effects 0.000 claims abstract description 75
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000013526 transfer learning Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- G06N3/08—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法,首先使用波段选择对原始高光谱图像进行预处理,去除波段冗余;然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息,并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异,并将基于加权条件最大均值差异的正则项加入宽度网络,得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差,同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。
Description
技术领域
本发明涉及模式识别技术领域,具体涉及一种基于卷积宽度迁移网络的高光谱图像分类方法。
背景技术
高光谱图像包含丰富的光谱和空间信息,具有“图谱合一”的特点。这一特点使它被广泛应用于农业、矿物勘探、国防安全等领域。现今高光谱图像分类已成为研究热点,其旨在根据高光谱图像光谱和空间信息推断出图像中每个像素所属的类别。许多算法被提出以提高高光谱图像的分类精度,包括支持向量机、稀疏表示及卷积神经网络等。这些监督学习算法的优良分类性能往往需要大量的标记样本作为支撑。但是,对高光谱数据进行标记需要耗费大量的人力和物力,获得大规模标记数据非常困难。因此,怎样在低标注代价下学习出泛化能力强的分类模型是现今高光谱图像分析领域的研究热点。为解决上述问题,一些机器学习算法被提出,包括主动学习、半监督学习和数据增强等。
不同于主动降低标记成本的主动学习以及从未标记样本中获取信息的半监督学习,迁移学习能够将知识从相关领域迁移到其他领域,也就是从源域迁移到目标域。当目标域不存在标记样本或标记样本量不足时,迁移学习能够利用源域中相同或相似标签的样本解决目标域的分类问题。
深度学习具有强大的非线性表示能力,能够提取输入的高级、紧凑特征。而卷积神经网络作为深度学习最为出名的模型,具有强特征提取能力。鉴于上述优势,基于卷积神经网络的迁移学习模型非常具有研究价值。
最近提出的宽度学习***是一个仅由三层构成的前向神经网络模型,所述三层包括输入层、中间层、输出层。相较于深度学习,宽度学习能够实现对特征的扩展,且具有结构简单、计算速度快和易于与其他模型相结合等优点。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提出一种基于卷积宽度迁移学习网络的高光谱图像分类方法,能够仅利用源域标记样本完成对目标域高光谱图像的无监督分类。
技术方案:本发明的一种基于卷积宽度迁移网络的高光谱图像分类方法,包括如下步骤:
步骤1,使用波段选择对原始高光谱图像进行降维处理,去除波段冗余,得到降维后的高光谱数据X0,高光谱数据X0包括经降维后的源域数据和目标域数据/>
步骤2,构造领域适配层并加入卷积神经网络中,同时对齐源域和目标域边缘概率分布和二阶统计量信息,得到卷积领域适配网络CDAN,使用卷积领域适配网络CDAN对目标域数据进行分类,得到目标域伪标签。
进一步的,本发明的一种基于卷积宽度迁移网络的高光谱图像分类方法,还包括,
步骤3,结合源域标签、目标域伪标签和最大均值差异构建加权条件最大均值差异WCMMD,将基于加权条件最大均值差异WCMMD的领域适配正则项加入到MF映射过程中,得到加权条件宽度学习网络WCBN;
步骤4,将经CDAN提取到的特征输入给WCBN,利用WCBN对经CDAN提取到的深度领域不变性特征进行加权条件概率分布对齐,并对领域不变性特征进行特征宽度拓展;
步骤5,通过岭回归理论计算出输出权值。
进一步的,步骤2具体包括如下内容:
步骤2.1,构造领域适配层并加入卷积神经网络中,所述领域适配层包括:边缘领域适配项协方差领域适配项/>其中θ表示网络参数;得到卷积领域适配网络CDAN;
卷积领域适配网络CDAN包括依次连接的卷积层、非线性层、池化层、全连接层、领域适配层和分类层;
步骤2.2,通过卷积核将输入X0连接到卷积层,依次经过卷积层、非线性层、池化层、全连接层进行特征提取;
步骤2.2,将经全连接层特征提取后的特征输入领域适配层;
步骤2.3,将领域适配层的输出连接到分类层进行分类,
卷积领域适配网络CDAN的损失函数定义为:
式中,为源域数据分类损失,α1和α2分别为边缘领域适应参数和协方差领域适应参数;
将预训练好的卷积领域适配网络CDAN作为辅助分类器,利用辅助分类器得到目标域伪标签。
进一步的,步骤3具体包括如下内容:
经卷积领域适配网络CDAN提取到深层领域不变性特征其中,d2表示X的维度;
将提取到的特征X作为输入,通过权重Ai映射到特征节点,则第i组映射特征MF为:
Zi=XAi+βei,i=1,...,dM (1)
式(1)中,Ai和βej分别表示输入X到MF的连接权重和偏差,dM为特征节点的组数,GM为每组特征节点维度,Z表示映射特征;
式(1)优化为:
式中,λ表示正则项系数;
将基于加权条件最大均值差异WCMMD的领域适配正则项Dcf(Ps,Pt)加入到MF映射过程中,对源域和目标域条件概率分布进行加权适配:
式中,γ代表领域适配正则项系数,c∈{1,2,...,C}为类别索引,领域适配正则项Dcf(Ps,Pt)为:
式中,类别重要性权重ωc根据源域标签和目标域伪标签构建;
则式(3)可写为:
上式可通过交替方向乘子法ADMM求解,得到权重A;
进而可以得到所需的权重Ai,则Zi可通过下式得到:
Zi=XAi
则MF中源域和目标域的特征可计算为和/>
经以上步骤得到加权条件宽度学习网络。
进一步的,步骤4具体包括如下内容:
将MF的特征通过随机权重WE映射到增量节点EN实现领域不变性特征的特征宽度扩展:
H=σ(ZWE)
式中,σ(.)为tansig函数,/>为EN特征,dE表示EN节点数;
EN中源域和目标域特征可表达为:Hs=σ(ZsWE)和Ht=σ(ZtWE);Zs和Hs是MF和EN的源域特征,Zt和Ht是MF和EN目标域特征。
进一步的,步骤5中通过岭回归理论计算出输出权值,具体包括如下内容:
将MF和EN同时映射到输入层,加权条件宽度学习网络WCBN目标函数为:
式中,Us=[Zs|Hs],δ是正则项系数;利用岭回归理论求解上式,得到:
预测结果为:
Yt=UtW
有益效果:本发明方法可仅使用利用源域标记样本完成对目标域高光谱图像的无监督分类。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,本发明的一种基于卷积宽度迁移学习网络的高光谱图像分类方法,包括如下步骤:
步骤1,使用波段选择对原始高光谱图像进行降维处理,去除波段冗余,得到降维后的高光谱数据X0,高光谱数据X0包括经降维后的源域数据和目标域数据/>
定义原始高光谱图像HSI波段数为Nb,降维后的波段数为d,分别以和为间隔数选择a和b个HSI波段,其中/>表示向下取整运算,可得如下方程:
定义降维后的X0∈Rn×d作为模型的输入,其中,X0表示高光谱图像数据,n表示样本数。
和/>分别为经波段选择后的源域和目标域数据,其中ns表示源域样本数,nt表示目标域样本数,Ys为源域标签。
步骤2,构造领域适配层并加入卷积神经网络中,同时对齐源域和目标域边缘概率分布和二阶统计量信息,得到卷积领域适配网络CDAN。使用卷积领域适配网络CDAN对目标域数据进行分类,得到目标域伪标签。
步骤2.1,构造领域适配层并加入卷积神经网络中,所述领域适配层包括:边缘领域适配项协方差领域适配项/>其中θ表示网络参数;得到卷积领域适配网络CDAN。
卷积领域适配网络CDAN包括依次连接的卷积层、非线性层、池化层、全连接层、领域适配层和分类层;
步骤2.2,通过卷积核将输入连接到卷积层得到特征映射,计算公式为:
,C=IC*KC+bC
式中,IC为卷积层输入,*为卷积操作,KC为卷积核,bC为偏置。将卷积层输出作为输入连接到非线性层,非线性层输出为:
式中,IN为非线性层输入。将非线性层输出作为输入连接到池化层,池化层输出为:
FP=down(IP)
式中,IP为池化层输入。将池化层输出作为输入连接到全连接层,全连接层输出为:
FF=,F×WF+bF
式中,IF为全连接层输入。
步骤2.2,将经全连接层特征提取后的特征输入领域适配层,以减小源域和目标域分布差异。
步骤2.3,将领域适配层的输出连接到分类层进行分类,
卷积领域适配网络CDAN的损失函数定义为:
式中,为源域数据分类损失,α1和α2分别为边缘领域适应参数和协方差领域适应参数。
将预训练好的卷积领域适配网络CDAN作为辅助分类器,利用辅助分类器得到目标域伪标签。
步骤3,结合源域标签、目标域伪标签和最大均值差异构建加权条件最大均值差异WCMMD,将基于加权条件最大均值差异WCMMD的领域适配正则项加入到MF映射过程中,得到加权条件宽度学习网络WCBN。具体包括如下步骤:
经卷积领域适配网络CDAN提取到深层领域不变性特征其中,d2表示X的维度。
将提取到的特征X作为输入,通过权重Ai映射到特征节点,则第i组映射特征MF为:
Zi=XAi+βei,i=1,...,dM (1)
式(1)中,Ai和βej分别表示输入X到MF的连接权重和偏差,dM为特征节点的组数,GM为每组特征节点维度,Z表示映射特征。
式(1)优化为:
式中,λ表示正则项系数。
将基于加权条件最大均值差异WCMMD的领域适配正则项Dcf(Ps,Pt)加入到MF映射过程中,对源域和目标域条件概率分布进行加权适配:
式中,γ代表领域适配正则项系数,c∈{1,2,...,C}为类别索引,领域适配正则项Dcf(Ps,Pt)为:
式中,类别重要性权重ωc根据源域标签和目标域伪标签构建。
则式(3)可写为:
上式可通过交替方向乘子法ADMM求解,得到权重A。
进而可以得到所需的权重Ai,则Zi可通过下式得到:
Zi=XAi
则MF中源域和目标域的特征可计算为和/>
经以上步骤得到加权条件宽度学习网络。
步骤4,将经CDAN提取到的特征输入给WCBN,利用WCBN对经CDAN提取到的深度领域不变性特征进行加权条件概率分布对齐,减少两域条件概率分布差异和类权重偏差,并对领域不变性特征进行特征宽度拓展。进一步增强特征表示能力。
将MF的特征通过随机权重WE映射到增量节点EN实现领域不变性特征的特征宽度扩展:
H=σ(ZWE)
式中,σ(.)为tansig函数,/>为EN特征,dE表示EN节点数。
EN中源域和目标域特征可表达为:Hs=σ(ZsWE)和Ht=σ(ZtWE)。Zs和Hs是MF和EN的源域特征,Zt和Ht是MF和EN目标域特征。
步骤5:通过岭回归理论快速计算出输出权值。
将MF和EN同时映射到输入层,加权条件宽度学习网络WCBN目标函数为:
式中,Us=[Zs|Hs],δ是正则项系数。利用岭回归理论求解上式,得到:
预测结果为:
Yt=UtW
式中,Ut=[Zt|Ht]。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于卷积宽度迁移网络的高光谱图像分类方法,其特征在于,包括如下步骤:
步骤1,使用波段选择对原始高光谱图像进行降维处理,去除波段冗余,得到降维后的高光谱数据X0,高光谱数据X0包括经降维后的源域数据和目标域数据/>
步骤2,构造领域适配层并加入卷积神经网络中,同时对齐源域和目标域边缘概率分布和二阶统计量信息,得到卷积领域适配网络CDAN,使用卷积领域适配网络CDAN对目标域数据进行分类,得到目标域伪标签;
步骤3,结合源域标签、目标域伪标签和最大均值差异构建加权条件最大均值差异WCMMD,将基于加权条件最大均值差异WCMMD的领域适配正则项加入到MF映射过程中,得到加权条件宽度学习网络WCBN;
步骤4,将经CDAN提取到的特征输入给WCBN,利用WCBN对经CDAN提取到的深度领域不变性特征进行加权条件概率分布对齐,并对领域不变性特征进行特征宽度拓展;
步骤5,通过岭回归理论计算出输出权值;
步骤2具体包括如下内容:
步骤2.1,构造领域适配层并加入卷积神经网络中,所述领域适配层包括:边缘领域适配项协方差领域适配项/>其中θ表示网络参数;得到卷积领域适配网络CDAN;
卷积领域适配网络CDAN包括依次连接的卷积层、非线性层、池化层、全连接层、领域适配层和分类层;
步骤2.2,通过卷积核将输入X0连接到卷积层,依次经过卷积层、非线性层、池化层、全连接层进行特征提取;
步骤2.2,将经全连接层特征提取后的特征输入领域适配层;
步骤2.3,将领域适配层的输出连接到分类层进行分类,
卷积领域适配网络CDAN的损失函数定义为:
式中,为源域数据分类损失,α1和α2分别为边缘领域适应参数和协方差领域适应参数;
将预训练好的卷积领域适配网络CDAN作为辅助分类器,利用辅助分类器得到目标域伪标签;
步骤3具体包括如下内容:
经卷积领域适配网络CDAN提取到深层领域不变性特征其中,d2表示X的维度;
将提取到的特征X作为输入,通过权重Ai映射到特征节点,则第i组映射特征MF为:
Zi=XAi+βei,i=1,...,dM (1)
式(1)中,Ai和βej分别表示输入X到MF的连接权重和偏差,dM为特征节点的组数,GM为每组特征节点维度,Z表示映射特征;
式(1)优化为:
式中,λ表示正则项系数;
将基于加权条件最大均值差异WCMMD的领域适配正则项Dcf(Ps,Pt)加入到MF映射过程中,对源域和目标域条件概率分布进行加权适配:
式中,γ代表领域适配正则项系数,c∈{1,2,...,C}为类别索引,领域适配正则项Dcf(Ps,Pt)为:
式中,类别重要性权重ωc根据源域标签和目标域伪标签构建;
则式(3)写为:
上式通过交替方向乘子法ADMM求解,得到权重A;
进而得到所需的权重Ai,则Zi通过下式得到:
Zi=XAi
则MF中源域和目标域的特征计算为和/>
经以上步骤得到加权条件宽度学习网络。
2.根据权利要求1所述一种基于卷积宽度迁移网络的高光谱图像分类方法,其特征在于,步骤4具体包括如下内容:
将MF的特征通过随机权重WE映射到增量节点EN实现领域不变性特征的特征宽度扩展:
H=σ(ZWE)
式中,σ(.)为tansig函数,/>为EN特征,dE表示EN节点数;
EN中源域和目标域特征表达为:Hs=σ(ZsWE)和Ht=σ(ZtWE);Zs和Hs是MF和EN的源域特征,Zt和Ht是MF和EN目标域特征。
3.根据权利要求1所述一种基于卷积宽度迁移网络的高光谱图像分类方法,其特征在于,步骤5中通过岭回归理论计算出输出权值,具体包括如下内容:
将MF和EN同时映射到输入层,加权条件宽度学习网络WCBN目标函数为:
式中,Us=[Zs|Hs],δ是正则项系数;利用岭回归理论求解上式,得到:
预测结果为:
Yt=UtW
式中,Ut=[Zt|Ht]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244668.7A CN113947725B (zh) | 2021-10-26 | 2021-10-26 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111244668.7A CN113947725B (zh) | 2021-10-26 | 2021-10-26 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947725A CN113947725A (zh) | 2022-01-18 |
CN113947725B true CN113947725B (zh) | 2024-06-14 |
Family
ID=79332583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111244668.7A Active CN113947725B (zh) | 2021-10-26 | 2021-10-26 | 一种基于卷积宽度迁移网络的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947725B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723994B (zh) * | 2022-04-18 | 2023-05-23 | 中国矿业大学 | 一种基于双分类器对抗增强网络的高光谱图像分类方法 |
CN116150668B (zh) * | 2022-12-01 | 2023-08-11 | 中国矿业大学 | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344891A (zh) * | 2018-09-21 | 2019-02-15 | 北京航空航天大学 | 一种基于深度神经网络的高光谱遥感数据分类方法 |
CN113168567A (zh) * | 2018-10-29 | 2021-07-23 | Hrl实验室有限责任公司 | 用于小样本转移学习的***和方法 |
CN109359623B (zh) * | 2018-11-13 | 2021-05-11 | 西北工业大学 | 基于深度联合分布适配网络的高光谱图像迁移分类方法 |
CN111709448B (zh) * | 2020-05-20 | 2023-05-12 | 西安交通大学 | 一种基于迁移关系网络的机械故障诊断方法 |
CN112906756A (zh) * | 2021-01-28 | 2021-06-04 | 昆山则立诚智能设备有限公司 | 一种跨通道数量迁移学习的高图像分类方法及*** |
-
2021
- 2021-10-26 CN CN202111244668.7A patent/CN113947725B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103905A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning |
Non-Patent Citations (1)
Title |
---|
基于深度残差网络与迁移学习的毒蕈图像识别;樊帅昌;易晓梅;李剑;惠国华;郜园园;;传感技术学报;20200115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113947725A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN111275092B (zh) | 一种基于无监督域适应的图像分类方法 | |
CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
Sandryhaila et al. | Classification via regularization on graphs | |
CN113947725B (zh) | 一种基于卷积宽度迁移网络的高光谱图像分类方法 | |
Zhou et al. | Remote sensing scene classification based on rotation-invariant feature learning and joint decision making | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN115410088B (zh) | 一种基于虚拟分类器的高光谱图像领域自适应方法 | |
Tung et al. | Collageparsing: Nonparametric scene parsing by adaptive overlapping windows | |
CN110188827A (zh) | 一种基于卷积神经网络和递归自动编码器模型的场景识别方法 | |
CN114155443A (zh) | 一种基于多感受野图注意力网络的高光谱图像分类方法 | |
Wang et al. | Hyperspectral image classification based on domain adversarial broad adaptation network | |
Lei et al. | Cross-domain few-shot semantic segmentation | |
CN116597312A (zh) | 基于小样本图像语义分割的农作物叶片病虫害识别的方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
Khlifi et al. | Graph-based deep learning techniques for remote sensing applications: Techniques, taxonomy, and applications—A comprehensive review | |
CN112686305A (zh) | 一种自监督学习辅助下的半监督学习方法及*** | |
CN110837787B (zh) | 一种三方生成对抗网络的多光谱遥感图像检测方法及*** | |
Wei et al. | Lightweighted hyperspectral image classification network by progressive bi-quantization | |
CN115797642B (zh) | 基于一致性正则化与半监督领域自适应图像语义分割算法 | |
CN117011714A (zh) | 基于伪标签辅助的高光谱图像分类方法 | |
CN115496948A (zh) | 一种基于深度学习的网络监督细粒度图像识别方法和*** | |
Jayanthi et al. | Performance improvement in satellite image classification using adaptive supervised multi-resolution approach | |
CN114494762A (zh) | 一种基于深度迁移网络的高光谱图像分类方法 | |
Kono et al. | Wasserstein distance-based domain adaptation and its application to road segmentation |
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 |