CN114155443A - 一种基于多感受野图注意力网络的高光谱图像分类方法 - Google Patents
一种基于多感受野图注意力网络的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN114155443A CN114155443A CN202111153710.4A CN202111153710A CN114155443A CN 114155443 A CN114155443 A CN 114155443A CN 202111153710 A CN202111153710 A CN 202111153710A CN 114155443 A CN114155443 A CN 114155443A
- Authority
- CN
- China
- Prior art keywords
- attention
- node
- features
- receptive
- pixel
- 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.)
- Pending
Links
Images
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多感受野图注意力网络的高光谱图像分类方法。通过使用无监督主成分分析方法和简单线性迭代聚类,将原始高光谱图像准确地划分为自适应局部区域;采用双层卷积神经网络提取像素的光谱特征减少需要计算的节点数,抑制原始高光谱图像噪声;构造基于超像素立方体的多感受野图;利用多特征注意力模块提取局部节点特征和边特征并采用图形注意网络学习两个特征的重要系数;利用特征融合注意力模块融合各感受野节点‑边特征,给出了分类节点的特征,最后利用交叉熵损失对图像特征进行解释得到每个像素的标签,使高光谱图像正确分类。与现有技术相比,能够自动提取高光谱特征并完成分类,分类正确率达到93%以上。
Description
技术领域
本发明涉及地理遥感技术领域,具体是涉及一种多感受野图注意力网络的高光谱图 像分类方法。
背景技术
高光谱图像(HSI)是由配备高光谱成像仪的航天飞行器拍摄的三维图像。图像中的每个像素包含数百个不同波段的反射信息,这使其适用于许多实际应用,例如军事目 标检测、矿产勘探和农业生产。高光谱图像分类的目标是根据样本特征将图像中的每个 像素分类到一个特定的标签中,并且这些像素可以用不同的图像颜色来表示。近年来, 高光谱图像分类日益成为研究热点。然而,标签缺乏、数据维度高、光谱相似性和像素 混合等给高光谱图像分类带来了巨大挑战。
在早期阶段,各种机器学习分类方法被应用于HSI分类,如支持向量机(SVM)、k-最近邻(KNN)、朴素贝叶斯、决策树和极端学习机(ELM)。值得一提的是,SVM是 最具代表性和最有效的机器学习分类方法之一。随着支持向量机方法的发展,采用了一 些核变换技术的支持向量机方法,如多核学习和核支持向量机(KSVM),得到了广泛应 用。同时,基于稀疏表示的分类器(SRC)也已经引起了越来越多的关注,并提出了大 量基于SRC分类器的算法。然而,上述方法都是基于HSI的光谱特征,没有考虑HSI的 空间信息,分类性能并不理想。为了充分利用空间信息,还研究了一些基于光谱-空间信 息的分类器,如超像素分割、形态学分割和图构造。然而,传统的机器学习分类方法严 重依赖专业知识,无法从HSI中学习深层特征,例如由L.Fang,S.Li,X.Kang,and J.A. Benediktsson发表的“Spectral–spatialclassification of hyperspectral images with a superpixel-based discriminativesparse model,”IEEE Trans.Geosci.Remote Sens.,vol.53,no.8, pp.4186–4201,Aug.2015)一文中所披露的信息。
随着深度学习的发展和人工智能(AI)的进步,深度学习方法已广泛应用于自然语言处理、计算机视觉和智能决策等领域。受深度学习成功应用的启发,许多深度学习分 类器已被开发用于HSI分类,并取得了优异的性能,例如,堆叠式自动编码器(SAEs)、 递归神经网络(RNN)和卷积神经网络(CNN)。与机器学习方法相比,深度学习分类 器能够自动学习HSI的深层复杂特征。在上述深度学习方法中,CNN显示出了光明的前 景并得到了广泛的应用。此外,随着深度学习的发展,各种基于CNN的方法被提出,从 一维CNN到三维CNN,从单一CNN到混合CNN,从浅CNN到深CNN。然而,早期 的CNN方法只能学习局部空间信息,不能提取HSI的深层空间-光谱特征,例如由J. Feng et al发表的“CNN-based multilayerspatial–spectral feature fusion and sample augmentation with local andnonlocal constraints for hyperspectral image classification,”IEEEJ.Sel.Topics Appl.Earth Observ.Remote Sens.,vol.12,no.4,pp.1299–1313,Apr.2019.一文 中,披露了这样的信息。为了克服这些缺陷,不同形式的CNN方法开始涌现。最近,探 索了一些先进的CNN技术,如光谱空间注意网络和动态卷积核,以改进基于CNN的方 法。但是CNN需要大量的训练标签来训练网络,这与HSI中的标签不足相矛盾且这些 先进的CNN深度学习模型是针对欧几里德数据设计的,相邻土地覆盖之间的内在相关性 往往被忽略,使得上述方法无法学习标记和未标记数据之间的关系,例如由Z.Gong,P. Zhong,Y.Yu,W.Hu,and S.Li发表的“A CNN with multiscale convolution and diversifiedmetric for hyperspectral image classification,”IEEE Trans.Geosci.RemoteSens.,vol.57,no.6, pp.3599–3618,Jun.2019.一文中所披露的内容。
因此不管是传统机器学习方法还是深度学习中的卷积神经网络在高光谱分类中都面 临一定的局限性。
发明内容
为了克服传统机器学习方法和深度学习方法中卷积神经网络在高光谱分类中都面临 局限性问题,本发明的目的在于,提供一种新的多尺度感受野图注意神经网络的高光谱 图像分类方法。
现将本发明构思及技术解决方案叙述如下:
本发明基本构思是,在卷积神经网络中,采用超像素分割算法来细化原始HSI的局部空间特征,提供两层一维CNN来提取超像素和可自动学习的光谱特征,在图注意力网 络(GAT)中引入图的边和学习图的局部语义特征,提供多尺度感受野GAT,用于提取 局部-全局相邻节点特征和边特征,最后利用图形注意网络和softMax函数进行多接收特 征融合和像素标签预测。
本发明一种图结构与卷积神经网络相结合的高光谱图像多尺度分类方法的技术解决 方案,具有超像素立方体构造多感受野图和卷积神经网络,其特征在于:通过使用无监 督主成分分析(PCA)方法和简单线性迭代聚类(SLIC),将原始HSI准确地划分为自 适应局部区域(superpixel);采用双层1D CNN提取像素的光谱特征减少需要计算的节 点数,抑制原始HSI的噪声;构造基于超像素立方体的多感受野图;利用多特征注意力 模块提取局部节点特征和边特征并采用图形注意网络学习两个特征的重要系数;利用特 征融合注意力模块融合各感受野节点-边特征,给出了分类节点的特征。最后,利用交叉 熵损失对图像特征进行解释,得到每个像素的标签,具体包括如下步骤:
步骤1:构建光谱空间转换模块
给定HSI立方体IB={x1,x2,…,xm},包含个像素,B个波段,其中H分别表示高光谱图像空间宽度和高度;为提高计算效率,利用主成分分析方法(PCA) 进行降维,并选择第一主分量生成降维图像具有m个像素和b个波段, 其中b<<B、r表示降维;然后采用SLIC将像素划分为超像素,局部超像素HSI可以用 数学表达式表示为:
步骤2:构建频域转换模块:
步骤2.1:为了为所提出的方法提取鉴别性和鲁棒性的光谱特征,提供一种光谱变换 器,其框架如图1所示;采用两层1×1CNN核来提取每个频带中单个像素的光谱值,并 且在所提出的方法中,空间位置p0处像素的光谱特征向量可以写成:
其中,p0=(x,y)是像素在HSI中的空间位置,Xi(p0)表示像素在第i光谱中的空间位置p0处的光谱值;
其中xi是IB的第i个像素,“展平”(HSI)表示高光谱图像在空间维度中的展平操作:, 如等式(4)所述,可以实现空间像素和超级像素之间的映射
步骤2.4:最后,将每个超像素的平均光谱特征作为一个节点特征向量,图形节点特 征可以数学表示为
步骤3:构建多特征注意力模块
注意力机制和多重特征对于提取图的特征非常重要,通过多特征注意力模块来提取 邻居节点和边的特征;多特征注意力可以分为三个部分,即邻居节点注意力、边注意注意力和特征融合注意力;这三个部分的具体细节如下:
步骤3.1:邻居节点注意力
为了聚合邻居节点的信息,本模块采用一种多层图注意机制,可以得到分类节点的 邻居节点注意力系数,第l卷积层的输出可计算为
经过多层卷积之后,ni可以被转换为以下形式,即
步骤3.2:边注意力
边缘包含丰富的语义信息。然而,大多数图注意力网络只关注相邻节点的聚合,缺乏边缘特征的提取;受图卷积中计算边的启发,本步骤引入高斯距离aij来定义节点之间 的关系,即
与式(5)类似,边注意力中第l卷积层的输出可以表示为
步骤3.3:特征融合注意力
为了综合利用边和节点特征,提出了特征融合注意力,对上述注意力模块提取的特 征进行自适应融合,n的数学表达式可表示为
如上所述,质心节点n最终可以表示为
其中αi和βi分别表示nik和aik的权重系数。
步骤4:构建多感受野模块
为了提取HSI的全局信息,设计了一种多分支感受野聚合机制;多感受野设计机制如图1所示;多感受野模块可以避免低阶跃点的负面影响,并学习HSI的远程特征信息; 在分支s中,节点n的感受野可以形成为
Ri(n)=Ri-1(n)∪R1 (12)
其中R1(n)是节点n的1跳邻居的集合,R0(n)=n;分支i中中心节点n的特征最终可以表示为
其中i是节点n的第i跳邻居;
步骤5:特征融合注意力和决策模块
最后采用图形注意融合多尺度感受野特征。中心节点n的输出特征O可以计算为
O=σ(∑i∈Sei·WTni) (14)
其中ei表示分支i中特征的重要系数,S是多尺度数,W是可训练权重,σ是激活函数, 即LeakyReLU;为了确定每个像素的标签,使用softmax分类器对输出特征O进行分类,即
步骤6:损失函数和模型训练
采用交叉熵函数来惩罚网络输出与原始标记标签之间的差异,即
其中yG是标签集合;C表示类的数量,Yzf是训练标签矩阵;采用端到端的训练,并采用Adam更新发明的网络参数;
在本发明中,设置三个超参数,即超像素K的数量、MFaM的卷积层数量L、迭代次 数T和学习率lr;最优超参数设置如表1所示。
本与现有技术相比有益效果是:提出了一种一维CNN来学习超像素的光谱特征;二是将图边引入到GAT中,研究了一种基于GAT的特征融合机制,通过结合邻居节点 信息和边信息来表示分类节点的特征;三是提出了一种多尺度感受野机制,提取多尺度 局部语义特征,学习局部全局空间上下文信息。本发明能够自动提取高光谱特征并完成 分类。分类正确率达到93%以上。
附图说明
图1:本发明基于多感受野图注意力网络的高光谱图像分类方法发明流程示意图。
本发明实验是用GeForce GTX 1080Ti 11G GPU和3.70G Intel i9-10900K CPU的电 脑上,在pytorch 1.8对本发明进行训练。首先,首先对原始高光谱图像进行超像素分割, 提取每个超像素块光谱特征;随后构建以超像素为节点的多感受野图;然后利用多特征 注意力模块提取图节点和边特征;最后,利用交叉熵损失对图像特征进行解释,得到每个像素的标签,对节点进行预测。
具体实施方式
现结合附图对本发明的具体实施方式作进一步详细说明。
本发明方法由四部分组成:用于HSI预处理的光谱空间变换模块、用于光谱空间特征提取的多感受野图形构造模块、多特征注意力模块、特征融合注意力和决策模块。本 发明方法的流程是这样实现的:首先,通过使用无监督主成分分析(PCA)方法和简单 线性迭代聚类(SLIC),将原始HSI准确地划分为自适应局部区域(superpixel);采用双 层1D CNN提取像素的光谱特征减少需要计算的节点数,抑制原始HSI的噪声;构造基 于超像素立方体的多感受野图;利用多特征注意力模块提取局部节点特征和边特征并采 用图形注意网络学***均值。该方 法简单直观,但不能通过网络训练抑制和消除原始HSI的噪声。
表1:不同数据集的超参数设置
分类结果:
实验是用GeForce GTX 1080Ti 11G GPU和3.70G Intel i9-10900K CPU的电脑上,在 pytorch 1.8对本发明进行训练。在Pavia University、Salinas和Houston 2013数据集上利 用本发明进行分类,采用整体分类精度(OA)、平均分类精度(AA)和卡帕系数(Kappa)作为衡量指标,每次试验运行10次,取平均值得到结果为(OA:所有被样本 中被正确分类的比例;AA:每一类被正确分类比例的平均值;Kappa:表述被正确分类 的一致性。)
表2:三个标准数据集实验结果
Pavia University | Salinas | Houston 2013 | |
OA(%) | 98.62±0.76 | 98.65±0.28 | 94.87±0.76 |
AA(%) | 98.38±0.92 | 99.05±0.15 | 95.70±0.52 |
Kappa | 0.98 | 0.98 | 0.94 |
表2三个标准数据集结果表明本发明对各数据集都具有良好的分类效果,对不同数据集都具有较好的适应性,达到了很高的分类精度。
Claims (7)
1.一种基于多感受野图注意力网络的高光谱图像分类方法,具有超像素立方体构造多感受野图和卷积神经网络,其特征在于:通过使用无监督主成分分析(PCA)方法和简单线性迭代聚类(SLIC),将原始高光谱图像(HSI)准确地划分为自适应局部区域;采用双层1D卷积神经网络(CNN)提取像素的光谱特征减少需要计算的节点数,抑制原始HSI的噪声;构造基于超像素立方体的多感受野图;利用多特征注意力模块提取局部节点特征和边特征并采用图形注意网络学习两个特征的重要系数;利用特征融合注意力模块融合各感受野节点-边特征,给出了分类节点的特征,最后,利用交叉熵损失对图像特征进行解释,得到每个像素的标签,具体包括如下步骤:
步骤1:构建光谱空间转换模块
步骤2:构建频域转换模块:
步骤3:构建多特征注意力模块
步骤4:构建多感受野模块
步骤5:特征融合注意力和决策模块
步骤6:损失函数和模型训练。
2.根据权利要求1所述的一种基于多感受野图注意力网络的高光谱图像分类,其特征在于:步骤1中所述的“构建光谱空间转换模块”具体为:
给定HSI立方体IB={x1,x2,…,xm},包含个像素,B个波段,其中H分别表示高光谱图像空间宽度和高度;为提高计算效率,利用主成分分析方法(PCA)进行降维,并选择第一主分量生成降维图像具有m个像素和b个波段,其中b<<B、r表示降维;然后采用SLIC将像素划分为超像素,局部超像素HSI可以用数学表达式表示为:
3.根据权利要求1所述的一种基于多感受野图注意力网络的高光谱图像分类,其特征在于:步骤2中所述的“构建频域转换模块”具体为:
步骤2.1:为了为所提出的方法提取鉴别性和鲁棒性的光谱特征,提供一种光谱变换器,采用两层1×1CNN核来提取每个频带中单个像素的光谱值,并且在所提出的方法中,空间位置p0处像素的光谱特征向量可以写成:
其中,p0=(x,y)是像素在HSI中的空间位置,Xi(p0)表示像素在第i光谱中的空间位置p0处的光谱值;
具体而言,M可以计算为
其中xi是IB的第i个像素,″展平”(HSI)表示高光谱图像在空间维度中的展平操作,如等式(4)所述,可以实现空间像素和超级像素之间的映射;
步骤2.4:最后,将每个超像素的平均光谱特征作为一个节点特征向量,图形节点特征可以数学表示为
4.根据权利要求1所述的一种基于多感受野图注意力网络的高光谱图像分类,其特征在于:步骤3中所述的“构建多特征注意力模块”,多特征注意力可以分为三个部分,即邻居节点注意力、边注意注意力和特征融合注意力;这三个部分的具体细节如下:
步骤3.1:邻居节点注意力
为了聚合邻居节点的信息,本模块采用一种多层图注意机制,可以得到分类节点的邻居节点注意力系数,第l卷积层的输出可计算为
经过多层卷积之后,ni可以被转换为以下形式,即
步骤3.2:边注意力
边缘包含丰富的语义信息。然而,大多数图注意力网络只关注相邻节点的聚合,缺乏边缘特征的提取;受图卷积中计算边的启发,本步骤引入高斯距离aij来定义节点之间的关系,即
与式(6)类似,边注意力中第l卷积层的输出可以表示为
步骤3.3:特征融合注意力
为了综合利用边和节点特征,提出了特征融合注意力,对上述注意力模块提取的特征进行自适应融合,n的数学表达式可表示为
如上所述,质心节点n最终可以表示为
其中αi和βi分别表示nik和aik的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153710.4A CN114155443A (zh) | 2021-09-29 | 2021-09-29 | 一种基于多感受野图注意力网络的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111153710.4A CN114155443A (zh) | 2021-09-29 | 2021-09-29 | 一种基于多感受野图注意力网络的高光谱图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114155443A true CN114155443A (zh) | 2022-03-08 |
Family
ID=80462272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111153710.4A Pending CN114155443A (zh) | 2021-09-29 | 2021-09-29 | 一种基于多感受野图注意力网络的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155443A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758203A (zh) * | 2022-03-31 | 2022-07-15 | 长江三峡技术经济发展有限公司 | 用于高光谱图像分类的残差密集视觉转换方法和*** |
CN115908908A (zh) * | 2022-11-14 | 2023-04-04 | 北京卫星信息工程研究所 | 基于图注意力网络的遥感图像聚集型目标识别方法及装置 |
CN116824282A (zh) * | 2023-08-31 | 2023-09-29 | 中国石油大学(华东) | 融合多跳图卷积和注意力的半监督高光谱图像分类方法 |
CN117422932A (zh) * | 2023-11-17 | 2024-01-19 | 中国矿业大学 | 一种基于多模态强化图注意力网络的高光谱图像分类方法 |
CN117893839A (zh) * | 2024-03-15 | 2024-04-16 | 华东交通大学 | 一种基于图注意力机制的多标记分类方法及*** |
-
2021
- 2021-09-29 CN CN202111153710.4A patent/CN114155443A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758203A (zh) * | 2022-03-31 | 2022-07-15 | 长江三峡技术经济发展有限公司 | 用于高光谱图像分类的残差密集视觉转换方法和*** |
CN114758203B (zh) * | 2022-03-31 | 2023-01-10 | 长江三峡技术经济发展有限公司 | 用于高光谱图像分类的残差密集视觉转换方法和*** |
CN115908908A (zh) * | 2022-11-14 | 2023-04-04 | 北京卫星信息工程研究所 | 基于图注意力网络的遥感图像聚集型目标识别方法及装置 |
CN115908908B (zh) * | 2022-11-14 | 2023-09-15 | 北京卫星信息工程研究所 | 基于图注意力网络的遥感图像聚集型目标识别方法及装置 |
CN116824282A (zh) * | 2023-08-31 | 2023-09-29 | 中国石油大学(华东) | 融合多跳图卷积和注意力的半监督高光谱图像分类方法 |
CN116824282B (zh) * | 2023-08-31 | 2023-11-10 | 中国石油大学(华东) | 融合多跳图卷积和注意力的半监督高光谱图像分类方法 |
CN117422932A (zh) * | 2023-11-17 | 2024-01-19 | 中国矿业大学 | 一种基于多模态强化图注意力网络的高光谱图像分类方法 |
CN117422932B (zh) * | 2023-11-17 | 2024-05-28 | 中国矿业大学 | 一种基于多模态强化图注意力网络的高光谱图像分类方法 |
CN117893839A (zh) * | 2024-03-15 | 2024-04-16 | 华东交通大学 | 一种基于图注意力机制的多标记分类方法及*** |
CN117893839B (zh) * | 2024-03-15 | 2024-06-07 | 华东交通大学 | 一种基于图注意力机制的多标记分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sellars et al. | Superpixel contracted graph-based learning for hyperspectral image classification | |
Ding et al. | Multiscale graph sample and aggregate network with context-aware learning for hyperspectral image classification | |
Wang et al. | Adaptive spectral–spatial multiscale contextual feature extraction for hyperspectral image classification | |
Ghaderizadeh et al. | Hyperspectral image classification using a hybrid 3D-2D convolutional neural networks | |
Song et al. | A survey of remote sensing image classification based on CNNs | |
Ding et al. | AF2GNN: Graph convolution with adaptive filters and aggregator fusion for hyperspectral image classification | |
Bhatti et al. | MFFCG–Multi feature fusion for hyperspectral image classification using graph attention network | |
Lorenzo et al. | Hyperspectral band selection using attention-based convolutional neural networks | |
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 | |
Heydari et al. | Meta-analysis of deep neural networks in remote sensing: A comparative study of mono-temporal classification to support vector machines | |
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 | |
Datta et al. | Hyperspectral image classification: Potentials, challenges, and future directions | |
Kong et al. | Spectral–spatial feature extraction for HSI classification based on supervised hypergraph and sample expanded CNN | |
Liu et al. | Deep multigrained cascade forest for hyperspectral image classification | |
Vo et al. | Semantic image segmentation using fully convolutional neural networks with multi-scale images and multi-scale dilated convolutions | |
Amorim et al. | Semi-supervised learning with convolutional neural networks for UAV images automatic recognition | |
Cao et al. | Deep convolutional networks with superpixel segmentation for hyperspectral image classification | |
Zuo et al. | FSL-EGNN: Edge-labeling graph neural network for hyperspectral image few-shot classification | |
Chen et al. | Hyperspectral remote sensing image classification based on dense residual three-dimensional convolutional neural network | |
Mahmoud et al. | Pseudoinverse learning autoencoder with DCGAN for plant diseases classification | |
Fırat et al. | Spatial-spectral classification of hyperspectral remote sensing images using 3D CNN based LeNet-5 architecture | |
CN115527056A (zh) | 基于双混合卷积生成对抗网络的高光谱图像分类方法 | |
Aydemir et al. | Semisupervised hyperspectral image classification using deep features | |
Rajendran et al. | Hyperspectral image classification model using squeeze and excitation network with deep learning | |
Jiang et al. | Hyperspectral image classification with transfer learning and Markov random fields |
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 |