CN113989528B - 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 - Google Patents
基于深度联合稀疏-协同表示的高光谱图像特征表示方法 Download PDFInfo
- Publication number
- CN113989528B CN113989528B CN202111492113.4A CN202111492113A CN113989528B CN 113989528 B CN113989528 B CN 113989528B CN 202111492113 A CN202111492113 A CN 202111492113A CN 113989528 B CN113989528 B CN 113989528B
- Authority
- CN
- China
- Prior art keywords
- representation
- collaborative
- sparse
- hyperspectral image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002195 synergetic effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度联合稀疏‑协同表示的高光谱图像特征表示方法,首先考虑到高光谱图像各像素包含非线性信息并且其频谱间存在冗余,以及同类像素样本之间也具有很强的相关性;其次,提出了深度联合稀疏‑协同表示的高光谱图像特征表示方法,能够同时表示出像素样本内的显著信息及样本之间的相关性信息,并能够提取出高光谱图像的深层非线性特性;最后,设计了一种交替迭代算法来对深度联合稀疏‑协同表示的高光谱图像特征表示方法进行求解,得到高光谱图像特征表示形式。本发明通过采用深度网络进行非线性映射,并结合稀疏表示和协同表示,充分考虑像素样本的冗余性和非线性以及样本间的相关性,从而提取出更加具备判别性的特征。
Description
技术领域
本发明涉及高光谱图像处理技术领域,尤其是一种基于深度联合稀疏-协同表示的高光谱图像特征表示方法。
背景技术
高光谱图像(hyperspectral image)特征表示是高光谱图像处理领域的基本问题之一,也是遥感科学和计算机科学领域中的关键技术,它主要是利用计算机对高光谱图像进行处理,提取或选择具有判别性信息的特征,从而为相关决策(如分类与识别)提供依据。由于高光谱遥感图像具有数据量大、冗余程度高、空谱结构复杂等特点,因此给特征表示带来了困难,同时也给算法设计带来了诸多机遇和思路。
相关文献指出,一个优秀的高光谱图像特征表示方法,应当能够尽可能多地保持和描述高光谱图像中的信息。对于高光谱图像而言,其蕴含了丰富的信息,不仅各像素向量内包含大量的信息,而且像素向量之间有着丰富相关性信息,尤其是在同类像素之间。如果能够有效地和准确地描述和利用这些信息,这对于设计高光谱图像特征表示方法是及其有意的。但是现有的大部分方法,如基于稀疏表示的方法和基于深度网络学习的方法,通常仅仅关注于高光谱图像各像素向量的信息,而忽略了各像素向量间的相关性信息,这限制了输出特征的判别性。另外,由于深度学习在描述数据的非线性和深层特征方面具有很大的优势,因此尝试建立具有像素间相关性描述能力的深度网络也为改善判别性特征的能力提供思路。除此之外,尽管高光谱图像的深层特征具有很好的非线性和鲁棒性,但是其可观测性往往低于浅层特征。如果能够同时利用高光谱图像的深层特征和浅层特征,那么其输出特征则更具判别性。
综上,许多现有的高光谱图像特征表示方法所面临的挑战是在像素向量间的相关性信息描述、深层和浅层特征丢失等信息利用率低等问题,这不利于高光谱图像特征表示。
发明内容
本发明所要解决的技术问题在于,提供一种基于深度联合稀疏-协同表示的高光谱图像特征表示方法,能够充分利用高光谱图像的信息,从而提高输出特征的判别性,从而为相关决策提供可靠的依据。
为解决上述技术问题,本发明提供一种基于深度联合稀疏-协同表示的高光谱图像特征表示方法,包括如下步骤:
步骤一、对三维高光谱图像进行矩阵展开,获得其二维矩阵形式H∈RL×N,其各列均表示像素样本,列数N为高光谱图像的空间分辨率大小,行数L为高光谱图像的光谱分辨率大小;
步骤二、从上述矩阵中进行取样,即从各类取出一定数量的像素向量,并组成训练样本余下像素向量为测试样本/>且N=Nr+Ne;
步骤三、引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数;
步骤四、设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解;
步骤五、当模型从训练样本X中并通过步骤四的交替迭代更新算法学习到最优的稀疏字典协同字典/>以及神经网络参数θ(m)之后,预测出测试样本Y所对应的特征表示。
优选的,步骤三中,引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数,即:
其中,θ={W(m),b(m),m=1:M}表示前向神经网络的参数,其包含权重和偏差,M为网络的层数;Ds和Dc表示稀疏字典和协同字典;Cs和Cc是稀疏系数和协同稀疏;)为系数;ps和pc是很小的正数;对于神经网络,第m层的输出为 其中,O(0)=X;G(·)表示激活函数,dm是第m层中输出的维数;进一步地,上述模型的可以进一步表示为:
其中,和/>是第m层的稀疏字典和协同字典;/>和/>是第m层的稀疏系数和协同系数;θ(m)={W(m),b(m)}为网络在第m层的参数。
优选的,步骤四中,设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解具体为:将步骤三中的深度联合稀疏-协同表示模型(2)变换至如下无约束形式:
1)更新θ(m)={W(m),b(m)}:固定以及/>得到如下形式:
结合O(m)=G(W(m)O(m-1)+b(m)),对(4)的目标函数分别求关于W(m)和b(m)的导数,并取零,然后利用链式法得到如下方程:
其中,和/>分别有如下形式:
其中,T(m)=W(m+1)O(m-1)+b(m),G′(·)是激活函数G(·)的导数,⊙表示矩阵点乘运算符,这样,神经网络的参数θ(m)={W(m),b(m)}可通过如下式子更新:
其中,Γ为步长;
2)更新字典和/>固定θ(m)、/>和/>则(3)转化为:
此问题(3)的解和/>可直接给出,即:
3)更新系数和/>固定θ(m)、/>和/>则(3)转化为:
引入辅助变量则(13)可变为:
这样,V(m),可通过下面子问题交替迭代得到:
根据最小平方优化求解方法,可知(14)和(15)的解为:
其中,I表示单位矩阵,另外,利用软阈值法(soft thresholding)可以求出(16)的解,即:
其中,soft(g,b)=shgn(a)max(|a|-b,0),shgn(x)是符号函数;
经过1)~3)迭代优化之后,可以学习到最优的和θ(m)。
优选的,步骤五中,对于测试样本Y,则其对应网络的第m层对应的输出的稀疏系数/>和协同系数/>分别计算为/>和/>其中,且/>对计算得到的稀疏系数/>和协同系数/>进行加权求和,得到测试样本Y所在网络第m层对应的特征表示/> 其中0<t<1;最终,将网络的M层对应的特征表示/>堆叠成一个整体即可得到测试样本Y特征表示。
本发明的有益效果为:本发明采用深度网络进行非线性映射,在深度网络各层建立了稀疏-协同表示模型,充分考虑像素样本的冗余性和非线性以及样本间的相关性,并将利用网络输出的深层和浅层特征,从而提取出更加具备判别性的特征。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
如图1所示,一种基于深度联合稀疏-协同表示的高光谱图像特征表示方法,包括如下步骤:
步骤一、对三维高光谱图像进行矩阵展开,获得其二维矩阵形式H∈RL×N,其各列均表示像素样本,列数N为高光谱图像的空间分辨率大小,行数L为高光谱图像的光谱分辨率大小;
步骤二、从上述矩阵中进行取样,即从各类取出一定数量的像素向量,并组成训练样本余下像素向量为测试样本/>且N=Nr+Ne;
步骤三、引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数;
步骤四、设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解;
步骤五、当模型从训练样本X中并通过步骤四的交替迭代更新算法学习到最优的稀疏字典协同字典/>以及神经网络参数θ(m)之后,预测出测试样本Y所对应的特征表示。
步骤三中,引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数,即:
其中,θ={W(m),b(m),m=1:M}表示前向神经网络的参数,其包含权重和偏差,M为网络的层数;Ds和Dc表示稀疏字典和协同字典;Cs和Cc是稀疏系数和协同稀疏;α为系数;ps和pc是很小的正数;对于神经网络,第m层的输出为 其中,O(0)=X;G(·)表示激活函数,dm是第m层中输出的维数;进一步地,上述模型的可以进一步表示为:
其中,和/>是第m层的稀疏字典和协同字典;/>和/>是第m层的稀疏系数和协同系数;θ(m)={W(m),b(m)}为网络在第m层的参数。
步骤四中,设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解具体为:将步骤三中的深度联合稀疏-协同表示模型(2)变换至如下无约束形式:
1)更新θ(m)={W(m),b(m)}:固定以及/>得到如下形式:
结合O(m)=G(W(m)O(m-1)+2(m)),对(4)的目标函数分别求关于W(m)和b(m)的导数,并取零,然后利用链式法得到如下方程:
其中,和/>分别有如下形式:
其中,T(m)=W(m+1)O(m;1)+2(m),G′(·)是激活函数G(·)的导数,⊙表示矩阵点乘运算符,这样,神经网络的参数θ(m)={W(m),b(m)}可通过如下式子更新:
其中,Γ为步长;
2)更新字典和/>固定θ(m)、/>和/>则(3)转化为:
此问题(3)的解和/>可直接给出,即:
3)更新系数和/>固定θ(m)、/>和/>则(3)转化为:
引入辅助变量则(13)可变为:
这样,V(m),可通过下面子问题交替迭代得到:
根据最小平方优化求解方法,可知(14)和(15)的解为:
其中,I表示单位矩阵,另外,利用软阈值法(soft thresholding)可以求出(16)的解,即:
其中,soft(a,b)=shgn(g)max(|g|-b,0),shgn(x)是符号函数;
经过1)~3)迭代优化之后,可以学习到最优的和θ(m)。
步骤五中,对于测试样本Y,则其对应网络的第m层对应的输出的稀疏系数和协同系数/>分别计算为/>和/>其中,且/>对计算得到的稀疏系数/>和协同系数/>进行加权求和,得到测试样本Y所在网络第m层对应的特征表示/> 其中0<t<1;最终,将网络的M层对应的特征表示/>堆叠成一个整体即可得到测试样本Y特征表示。
本发明采用深度网络进行非线性映射,在深度网络各层建立了稀疏-协同表示模型,充分考虑像素样本的冗余性和非线性以及样本间的相关性,并将利用网络输出的深层和浅层特征,从而提取出更加具备判别性的特征。
Claims (3)
1.基于深度联合稀疏-协同表示的高光谱图像特征表示方法,其特征在于,包括如下步骤:
步骤一、对三维高光谱图像进行矩阵展开,获得其二维矩阵形式H∈RL×N,其各列均表示像素样本,列数N为高光谱图像的空间分辨率大小,行数L为高光谱图像的光谱分辨率大小;
步骤二、从上述矩阵中进行取样,即从各类取出一定数量的像素向量,并组成训练样本余下像素向量为测试样本/>且N=Nr+Ne;
步骤三、引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数;
步骤四、设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解;
步骤五、当模型从训练样本X中并通过步骤四的交替迭代更新算法学习到最优的稀疏字典协同字典/>以及神经网络参数θ(m)之后,预测出测试样本Y所对应的特征表示;对于测试样本Y,则其对应网络的第m层对应的输出/>的稀疏系数/>和协同系数/>分别计算为/>和/>其中,/>且/>对计算得到的稀疏系数/>和协同系数/>进行加权求和,得到测试样本Y所在网络第m层对应的特征表示/> 其中0<t<1;最终,将网络的M层对应的特征表示/>堆叠成一个整体/>即得到测试样本Y特征表示。
2.如权利要求1所述的基于深度联合稀疏-协同表示的高光谱图像特征表示方法,其特征在于,步骤三中,引入多层前向神经网络,将每个样本映射到一个非线性特征空间,通过这样的方式来描述和挖掘样本之间的非线性关系;然后,在网络各层引入稀疏表示和协同表示,建立深度联合稀疏-协同表示模型,学习各层的稀疏系数和协同系数,即:
其中,θ={W(m),b(m),m=1:M}表示前向神经网络的参数,其包含权重和偏差,M为网络的层数;Ds和Dc表示稀疏字典和协同字典;Cs和Cc是稀疏系数和协同稀疏;α为系数;ps和pc是很小的正数;对于神经网络,第m层的输出为 其中,O(0)=X;G(·)表示激活函数,dm是第m层中输出的维数;进一步地,上述模型的进一步表示为:
其中,和/>是第m层的稀疏字典和协同字典;/>和/>是第m层的稀疏系数和协同系数;θ(m)={W(m),b(m)}为网络在第m层的参数。
3.如权利要求1所述的基于深度联合稀疏-协同表示的高光谱图像特征表示方法,其特征在于,步骤四中,设计一种交替迭代更新算法对步骤三中提出的深度联合稀疏-协同表示模型进行求解具体为:将步骤三中的深度联合稀疏-协同表示模型(2)变换至如下无约束形式:
1)更新θ(m)={W(m),b(m)}:固定以及/>得到如下形式:
结合O(m)=G(W(m)O(m-1)+b(m)),对(4)的目标函数分别求关于W(m)和b(m)的导数,并取零,然后利用链式法得到如下方程:
其中,和/>分别有如下形式:
其中,T(m)=W(m+1)O(m-1)+b(m),G′(·)是激活函数G(·)的导数,⊙表示矩阵点乘运算符,这样,神经网络的参数θ(m)={W(m),b9m)}通过如下式子更新:
其中,Γ为步长;
2)更新字典和/>固定θ(m)、/>和/>则(3)转化为:
此问题(3)的解和/>直接给出,即:
3)更新系数和/>固定θ(m)、/>和/>则(3)转化为:
引入辅助变量则(13)变为:
这样,f(m),通过下面子问题交替迭代得到:
根据最小平方优化求解方法,知(14)和(15)的解为:
其中,I表示单位矩阵,另外,利用软阈值法求出(16)的解,即:
其中,soft(a,b)=sign(a)max(|a|-b,0),sign(x)是符号函数;
经过1)~3)迭代优化之后,学习到最优的和θ(m)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492113.4A CN113989528B (zh) | 2021-12-08 | 2021-12-08 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492113.4A CN113989528B (zh) | 2021-12-08 | 2021-12-08 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113989528A CN113989528A (zh) | 2022-01-28 |
CN113989528B true CN113989528B (zh) | 2023-07-25 |
Family
ID=79733488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492113.4A Active CN113989528B (zh) | 2021-12-08 | 2021-12-08 | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989528B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998622B (zh) * | 2022-06-01 | 2023-09-29 | 南京航空航天大学 | 一种基于核泰勒分解的高光谱图像特征提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160310A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于自权重协同表示的高光谱异常目标检测方法 |
CN112750091A (zh) * | 2021-01-12 | 2021-05-04 | 云南电网有限责任公司电力科学研究院 | 一种高光谱图像解混方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139028B (zh) * | 2015-08-13 | 2018-05-25 | 西安电子科技大学 | 基于分层稀疏滤波卷积神经网络的sar图像分类方法 |
CN105469360B (zh) * | 2015-12-25 | 2018-11-30 | 西北工业大学 | 基于非局部联合稀疏表示的高光谱图像超分辨率重建方法 |
CN108108719A (zh) * | 2018-01-05 | 2018-06-01 | 重庆邮电大学 | 一种加权核稀疏和协同表示系数的高光谱影像分类方法 |
CN110717354B (zh) * | 2018-07-11 | 2023-05-12 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
-
2021
- 2021-12-08 CN CN202111492113.4A patent/CN113989528B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160310A (zh) * | 2020-01-02 | 2020-05-15 | 西北工业大学 | 基于自权重协同表示的高光谱异常目标检测方法 |
CN112750091A (zh) * | 2021-01-12 | 2021-05-04 | 云南电网有限责任公司电力科学研究院 | 一种高光谱图像解混方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113989528A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN111860612B (zh) | 无监督高光谱图像隐低秩投影学习特征提取方法 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
CN111274869B (zh) | 基于并行注意力机制残差网进行高光谱图像分类的方法 | |
CN109993072B (zh) | 基于超分辨图像生成的低分辨率行人重识别***和方法 | |
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 | |
CN113469094A (zh) | 一种基于多模态遥感数据深度融合的地表覆盖分类方法 | |
CN110414616B (zh) | 一种利用空间关系的遥感图像字典学习分类方法 | |
CN111401426B (zh) | 基于伪标签学习的小样本高光谱图像分类方法 | |
CN109447123B (zh) | 一种基于标签一致性约束与拉伸正则化字典学习的行人再识别方法 | |
CN112163401B (zh) | 基于压缩与激励的gan网络的汉字字体生成方法 | |
CN115496928B (zh) | 基于多重特征匹配的多模态图像特征匹配方法 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及*** | |
CN110717953A (zh) | 基于cnn-lstm组合模型的黑白图片的着色方法和*** | |
CN104700100A (zh) | 面向高空间分辨率遥感大数据的特征提取方法 | |
CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、***及设备 | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN113989528B (zh) | 基于深度联合稀疏-协同表示的高光谱图像特征表示方法 | |
CN112990340B (zh) | 一种基于特征共享的自学习迁移方法 | |
CN114581789A (zh) | 一种高光谱图像分类方法及*** | |
Robert | The Role of Deep Learning in Computer Vision | |
CN116844039A (zh) | 一种联合多注意的跨尺度遥感图像耕地提取方法 | |
CN116503753A (zh) | 一种基于多模态空域变换网络的遥感图像场景分类方法 | |
CN116630637A (zh) | 基于多模态对比学习的光学-sar图像联合解译方法 | |
CN116188428A (zh) | 一种桥接多源域自适应的跨域组织病理学图像识别方法 |
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 |