CN114299398A - 一种基于自监督对比学习的小样本遥感图像分类方法 - Google Patents
一种基于自监督对比学习的小样本遥感图像分类方法 Download PDFInfo
- Publication number
- CN114299398A CN114299398A CN202210228860.5A CN202210228860A CN114299398A CN 114299398 A CN114299398 A CN 114299398A CN 202210228860 A CN202210228860 A CN 202210228860A CN 114299398 A CN114299398 A CN 114299398A
- Authority
- CN
- China
- Prior art keywords
- samples
- sample
- pseudo
- learning
- marked
- 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 43
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000000052 comparative effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 241001466077 Salina Species 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 240000007087 Apium graveolens Species 0.000 description 2
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 2
- 235000010591 Appio Nutrition 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及一种基于自监督对比学习的小样本遥感图像分类方法,包括以下步骤:1、对原始高光谱遥感数据进行降维、分割等预处理;2、在少量标记样本组成的训练集中,随机挑选标记样本并进行二次组合,生成对比学习组;3、设计并构建深度特征提取网络,利用对比组更新网络参数;4、利用训练好的深度网络模型对所有未标记样本进行预测,生成伪标记,并提出置信度差异算法挑选部分具有较高置信度的伪标记样本;5、微调网络模型并预测所有未标记样本的类别标签:将原始标记样本和伪标记样本结合,进一步训练模型并输出测试集样本的预测标签。本发明可以在少量标记样本的情况下,实现对高光谱遥感图像的准确分类,其分类效果明显优于一些现有算法。
Description
技术领域
本发明涉及遥感图像处理和小样本分类领域,具体讲的是一种基于自监督对比学习的小样本遥感图像分类方法。
背景技术
高光谱图像分类一直是遥感图像处理领域的研究热点,它被广泛应用于农作物分析、军事目标识别、地理地质等领域。但是,在实际分类处理中,高光谱图像数据通常维数较高、标记样本极少且光谱和空间变化大,这些特点给传统遥感图像分类算法提出了新的挑战。
深度学习模拟人类视觉***的层次化工作模式,构建具有层次化结构的深度网络模型,在高光谱图像分类领域取得了优越的性能。栈式自动编码器(Stacked Auto-Encoder, SAE)高光谱深度分类网络和高光谱卷积神经网络(Convolutional NeuralNetwork, CNN)分类算法与SAE不同,CNN模型采用局部连接和权值共享实现了空域特征的有效提取,同时大幅减少了网络训练参数。之后,大量学者在CNN基础上,提出了一系列改进的CNN模型。为了解决3D-CNN参数量大,混合光谱网络 (hybrid spectral CNN, HybridSN)同时使用3D和2D卷积核进行特征提取,3D-CNN提取空间-光谱联合特征,2D-CNN进一步进行特征抽象。为了解决模型训练中,层数增加而导致的梯度消失和梯度***问题,残差网络(Residual networks) 被提出应用于高光谱分类。
尽管上述深度学习网络能够从数据中自动学习空谱特征,但是这些方法需要大量标记样本才能获得满意的性能。例如,HybridSN算法需要数据集中30%的标记样本作为训练集进行训练,对于Salinas高光谱数据,标记训练样本需要16000个左右。然而,在实际应用中,标记样本难以获取,往往面临的是小样本分类问题。高光谱图像中,通常有两种方式获取样本标签:(1)现场调查;(2)直接从高分辨率图像进行视觉解译。与视觉解译相比,实地现场调查的样本标记,更加准确。然而,现场调查成本高、复杂、耗时,极大地限制了标记样本的数量。因此,实际应用中很难获得足够的训练样本来完全满足深度神经网络的训练要求。在只有少数标记样本的情况下,如何进行有效的深度学习高光谱图像分类值得深入研究。
针对小样本高光谱分类问题,现有技术中主要包括以下几种解决方案:第一种是采用深度子空间聚类的高光谱图像分类方法,先利用少量的标记样本,通过子空间聚类方法为部分未标记样本打上伪标签,然后再利用这些伪标记样本训练深度学习网络;第二种是采用基于自适应蒸馏的自监督高光谱图像分类方法,利用聚类为每个未标记样本打上伪标签,然后设置阈值选择置信度较高的伪标记样本,再利用伪标记样本训练深度网络;第三种是采用基于对比学习的高光谱分类网络,该网络包含两步学习策略,其中第一步采用自监督学习进行预训练,第二步利用少量标记样本进行网络精细调整。
上述这些小样本深度学习分类方法都是先生成大量的伪标记样本,再用伪标记样本作为训练集来训练深度学习网络。但是这些方法中伪标记样本的数量以及质量探讨不够深入,深度特征提取网络的判别性能不强。
发明内容
本发明要解决的技术问题是一种基于自监督对比学习的小样本遥感图像分类方法。本发明采用以下技术方案:
一种基于自监督对比学习的小样本遥感图像分类方法,包括以下步骤:
步骤1、数据预处理,对原始高光谱数据进行降维,再分割成多个像素立方块,每个像素立方块即为一个样本,将已进行人工标记的样本放入训练集,将未标注的样本放入测试集;
步骤2、假设共包含个类别的样本,从训练集中每一类别的样本中选取一个标记
样本,将所有类别的样本组成第一个对比学习组,再从训练集中每一类别的样本中选取一
个标记标记样本,将所有类别的样本组成第二个对比学习组;则每个对比学习组中均有
个样本且两个对比学习组之间没有重复样本;
步骤3、设计并构建深度特征提取网络模型,利用两个对比学习组训练深度特征提
取网络模型,通过最小化两个对比学习组之间的相似度差异、第一个对比学习组的分类损
失和第二个对比学习组的分类损失来优化深度特征提取网络模型参数,训练后得到
初步训练的深度特征提取网络模型;
步骤4、计算每个未标记样本到各类别的空间和光谱联合距离,根据概率转换公式将未标记样本到各类别的空间和光谱联合距离转化成概率,选择概率最大的类别对未标记样本进行标记并生成伪标记样本,根据置信度差异算法计算所有伪标记样本的置信度,选取置信度大于预设置信度阈值的伪标记样本放入伪标记样本集;
步骤5、利用伪标记样本集对初步训练的深度特征提取网络模型进行训练,通过最小化分类损失优化模型参数,训练后得到最终深度特征提取网络模型;
步骤6、将测试集中的样本输入最终深度特征提取网络模型,输出分类后的样本。
进一步的,所述步骤1中,对原始的高光谱数据进行降维后,将数据分割为多个大小相同的像素立方块,计算像素立方块中每个像素点与中心像素点之间的相似度,并且删除相似度低于预设像素阈值的像素点信息,得到最终的像素立方块。
进一步的,所述步骤3中两个对比学习组之间的相似度差异的计算方法为:假设
第一个对比学习组中样本的特征向量分别为;第二个对比学习组中样本
的特征向量分别为;其中的样本属于同一类别,, ∈[1,
2,……,],则的相似度差异计算公式如下:
进一步的,所述步骤3中计算每个对比学习组的分类损失的方法为,分别计算组中每个样本与对应真实值的交叉熵,再将组中所有样本对应的交叉熵求和得到每个对比学习组的分类损失。
进一步的,所述步骤4中,空间光谱联合距离计算公式为:
进一步的,所述步骤4中,使用Softmax概率转换公式将未标记样本到每一类别标记的空间和光谱联合距离转化成概率。
进一步的,所述步骤4中,根据置信度差异算法计算伪标记样本置信度的方法为采用如下公式计算:
本发明采用以上技术方案后,与现有技术相比,具有以下优点:
本发明充分考虑了同一组内样本的差异性以及不同组之间相应位置样本的相似性。为了生成高质量的伪标记样本,本发明设计空谱联合距离和置信度评判标准,通过伪标记样本的自适应更新与深度特征提取模型的二次训练,取得了优越的分类效果。本发明在公共高光谱图像数据集上进行了实验,就目前所掌握的资料,本发明提出的分类方法优于已有的小样本高光谱分类方法。
下面结合附图和实例对本发明进行详细说明。
附图说明
图1为本发明的方法流程示意图;
图2为原始光谱数据和标记后的光谱数据,其中(a)图是从204个原始波段中挑选3个波段进行合成的伪彩色图像,(b)图是样本类别标记图;
图3为不同方法得到的分类标记结果图,其中(a)图为SA数据集的地物标记真值图, (b)图为SSL-AD分类结果图 ,(c)图为本发明分类结果图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1是本发明所提出的基于自监督对比学习的遥感图像小样本分类方法的流程图。如图1所示,本发明所提出的基于自监督对比学习的遥感图像小样本分类方法,具体包括以下步骤:
步骤1、对原始高光谱数据进行降维、分割等一系列预处理;
本发明中,初始图像的数据格式为.mat格式的三维数据矩阵。我们先使用主成分
分析降维方法对原始高光谱图像进行降维处理,使光谱维度降到20维。然后,对降维处理后
的数据立方块进行分割,以每个像素点为中心,取一个11 x 11立方块,构成像素立方块。用
像素立方块的整体信息代替中心像素点的信息进行处理。 表示第个像素立方块的光
谱信息, 表示第个像素立方体处像素点的光谱信息,表示第个像素立方体
中心像素点的光谱信息,通过方程:计算每个像素点与中心像素点的
相似度,并删除相似度较低的像素点,从而得到新的像素立方块。
本发明将预处理后的数据集划分成为训练集和测试集。考虑小样本分类情形,即
每类只有极少量标记样本。下面以每类只有5个标记样本进行说明,这些标记样本组成训练
集,剩余未标记样本组成测试集。假如数据集包含个类别,则训练集共有个标记样
本。记表示训练集中第类样本集合,其中。从每一类
随机选择两个样本将其重新组合生成对比训练组:和,表示从第类随机选取的两个标记样本。
步骤3、深度特征提取网络的训练;
所述步骤3进一步包括以下步骤:
步骤3.1,设计并构建深度特征提取网络;
步骤4、伪标签样本的生成和选择;
步骤4.1,根据欧氏距离计算每个未标记样本到标记样本的空间距离;
步骤4.2,根据KL散度计算每个未标记样本到标记样本的光谱距离;
步骤4.3,根据空间和光谱距离计算每个未标记样本到每个类别的距离;
步骤4.4,根据概率转换公式计算每个未标记样本到每个类别的概率;
本发明使用Softmax概率转换公式将未标记样本到每一类别的距离转化成概率:。根据Softmax概率转换公式,可以得到每个未标记样本到每一类别
的概率向量,则任意未标记样本的伪标签表示为,,表示取向量中指定数据的索引。对每一个未标
记像素进行以上步骤,可以得到每一个未标记样本的伪标记。
步骤4.5,根据置信度差异算法选取较高置信度的伪标记样本;
本发明使用置信度差异算法进行伪标记样本的选择。先计算每个伪标记样本的概
率向量中最大值与第二大值的差值,然后用最大值与该差值的乘积衡量该样本的置
信度,计算每个伪标记样本的置信度
,表示中第二大值,然后根据每个样本的置信度进行排序,选取置信度较大
的部分伪标记样本加入训练集对模型进行二次训练。再次执行步骤2、3、4,最终得到一定数
量的具有较高置信度的伪标记样本。
步骤5、进一步训练并预测所有未标记样本的类别标记。
效果验证
为了验证本发明的有效性,我们在Salinas (SA)高光谱数据集上进行了实验验证。Salinas高光谱数据是高光谱图像分类常用的公共数据集。
Salinas 数据是由机载可见光/红外成像光谱仪(AVIRIS)所拍摄的美国加利福尼亚州的Salinas 山谷影像。该高光谱数据空间分辨率达到了3.7m (每个像素点对应实际地面大小为3.7m*3.7m),包含204个光谱波段。该图像的尺寸为512×217,其中可应用于分类的像素有54129个,这些像素总共分为16类,包括休耕地(Fallow)、芹菜(Celery)等。Salinas高光谱数据如图2所示,图2中(a)图是从204个原始波段中挑选3个波段进行合成的伪彩色图像,(b)图是样本类别标记图,每种区域代表一个类别。
考虑小样本分类情形,每类仅选取5个标记样本,一共使用个标记样
本构成训练集,剩余54049个未标记样本作为测试集,进行分类。为验证我们算法的有效性,
把我们的方法跟最新的基于自适应蒸馏自监督高光谱图像分类(SSL-AD)方法进行对比。分
类结果见表1。
表1:在SA数据上每类选取5个标记样本的分类结果对比
从分类结果表中可以看到,本发明在12个类别上的分类准确率要高于SSL-AD方法。总体准确率较于SSL-AD提高了7个百分点以上,平均准确率提高了6个百分点。虽然SSL-AD 方法也是用少量的标记样本学习得到大量的伪标记样本,并构建深度网络模型进行分类,但是该方法在对比组构建过程中未明确考虑同一组内样本的差异性,同时也未考虑伪标记样本的更新与深度特征提取模型的二次训练。本发明在对比训练组构造过程中充分考虑了同一组内样本的差异性以及不同组之间相应样本的相似性,通过伪标记样本的自适应更新与深度特征提取模型的二次训练,取得了优越的分类效果。
图3展示了不同方法得到的分类标记结果图,图3中(a)图为SA数据集的地物标记真值图, (b)图为SSL-AD分类结果图 ,(c)图为本发明分类结果图。
从图3中的(b)图可以看出,SSL-AD分类结果中,画圈部分两个类别错分较多。相比于SSL-AD,本发明提出的方法分类结果要好得多。
以上所述为本发明最佳实施方式的举例,其中未详细述及的部分均为本领域普通技术人员的公知常识。本发明的保护范围以权利要求的内容为准,任何基于本发明的技术启示而进行的等效变换,也在本发明的保护范围之内。
Claims (7)
1.一种基于自监督对比学习的小样本遥感图像分类方法,其特征在于,包括以下步骤:
步骤1、数据预处理,对原始高光谱数据进行降维,再分割成多个像素立方块,每个像素立方块即为一个样本,将已进行人工标记的样本放入训练集,将未标注的样本放入测试集;
步骤2、假设共包含个类别的样本,从训练集中每一类别的样本中选取一个标记样本,
将所有类别的样本组成第一个对比学习组,再从训练集中每一类别的样本中选取一个标记
标记样本,将所有类别的样本组成第二个对比学习组;则每个对比学习组中均有个样本
且两个对比学习组之间没有重复样本;
步骤3、设计并构建深度特征提取网络模型,利用两个对比学习组训练深度特征提取网
络模型,通过最小化两个对比学习组之间的相似度差异、第一个对比学习组的分类损失
和第二个对比学习组的分类损失来优化深度特征提取网络模型参数,训练后得到初步训
练的深度特征提取网络模型;
步骤4、计算每个未标记样本到各类别的空间和光谱联合距离,根据概率转换公式将未标记样本到各类别的空间和光谱联合距离转化成概率,选择概率最大的类别对未标记样本进行标记并生成伪标记样本,根据置信度差异算法计算所有伪标记样本的置信度,选取置信度大于预设置信度阈值的伪标记样本放入伪标记样本集;
步骤5、利用伪标记样本集对初步训练的深度特征提取网络模型进行训练,通过最小化分类损失优化模型参数,训练后得到最终深度特征提取网络模型;
步骤6、将测试集中的样本输入最终深度特征提取网络模型,输出分类后的样本。
2.根据权利要求1所述的基于自监督对比学习的小样本遥感图像分类方法,其特征在于,所述步骤1中,对原始的高光谱数据进行降维后,将数据分割为多个大小相同的像素立方块,计算像素立方块中每个像素点与中心像素点之间的相似度,并且删除相似度低于预设像素阈值的像素点信息,得到最终的像素立方块。
4.根据权利要求1所述的基于自监督对比学习的小样本遥感图像分类方法,其特征在于,所述步骤3中计算每个对比学习组的分类损失的方法为,分别计算组中每个样本与对应真实值的交叉熵,再将组中所有样本对应的交叉熵求和得到每个对比学习组的分类损失。
6.根据权利要求1所述的基于自监督对比学习的小样本遥感图像分类方法,其特征在于,所述步骤4中,使用Softmax概率转换公式将未标记样本到每一类别标记的空间和光谱联合距离转化成概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228860.5A CN114299398B (zh) | 2022-03-10 | 2022-03-10 | 一种基于自监督对比学习的小样本遥感图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210228860.5A CN114299398B (zh) | 2022-03-10 | 2022-03-10 | 一种基于自监督对比学习的小样本遥感图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299398A true CN114299398A (zh) | 2022-04-08 |
CN114299398B CN114299398B (zh) | 2022-05-17 |
Family
ID=80978665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210228860.5A Active CN114299398B (zh) | 2022-03-10 | 2022-03-10 | 一种基于自监督对比学习的小样本遥感图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299398B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115728247A (zh) * | 2022-10-20 | 2023-03-03 | 武汉颐光科技有限公司 | 一种基于机器学习的光谱测量质量判定方法 |
CN116611001A (zh) * | 2023-07-19 | 2023-08-18 | 中国海洋大学 | 基于多维自适应增量图的近红外光谱数据分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008664A (zh) * | 2019-12-05 | 2020-04-14 | 上海海洋大学 | 一种基于空谱联合特征的高光谱海冰检测方法 |
US20210319266A1 (en) * | 2020-04-13 | 2021-10-14 | Google Llc | Systems and methods for contrastive learning of visual representations |
CN113762128A (zh) * | 2021-08-31 | 2021-12-07 | 中国人民解放军战略支援部队信息工程大学 | 一种基于无监督学习的高光谱影像分类方法 |
CN113963165A (zh) * | 2021-09-18 | 2022-01-21 | 中国科学院信息工程研究所 | 一种基于自监督学习的小样本图像分类方法及*** |
WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
-
2022
- 2022-03-10 CN CN202210228860.5A patent/CN114299398B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008664A (zh) * | 2019-12-05 | 2020-04-14 | 上海海洋大学 | 一种基于空谱联合特征的高光谱海冰检测方法 |
US20210319266A1 (en) * | 2020-04-13 | 2021-10-14 | Google Llc | Systems and methods for contrastive learning of visual representations |
WO2022041678A1 (zh) * | 2020-08-30 | 2022-03-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 张量协作图判别分析遥感图像特征提取方法 |
CN113762128A (zh) * | 2021-08-31 | 2021-12-07 | 中国人民解放军战略支援部队信息工程大学 | 一种基于无监督学习的高光谱影像分类方法 |
CN113963165A (zh) * | 2021-09-18 | 2022-01-21 | 中国科学院信息工程研究所 | 一种基于自监督学习的小样本图像分类方法及*** |
Non-Patent Citations (1)
Title |
---|
刘冰等: "高光谱影像分类的深度少样例学习方法", 《测绘学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115728247A (zh) * | 2022-10-20 | 2023-03-03 | 武汉颐光科技有限公司 | 一种基于机器学习的光谱测量质量判定方法 |
CN115728247B (zh) * | 2022-10-20 | 2024-05-28 | 武汉颐光科技有限公司 | 一种基于机器学习的光谱测量质量判定方法 |
CN116611001A (zh) * | 2023-07-19 | 2023-08-18 | 中国海洋大学 | 基于多维自适应增量图的近红外光谱数据分类方法 |
CN116611001B (zh) * | 2023-07-19 | 2023-10-03 | 中国海洋大学 | 基于多维自适应增量图的近红外光谱数据分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114299398B (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN110728192B (zh) | 一种基于新型特征金字塔深度网络的高分遥感图像分类方法 | |
CN111652038B (zh) | 基于卷积神经网络的遥感的海冰图像分类方法 | |
CN109190491B (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
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 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN107944483B (zh) | 基于双通道dcgan和特征融合的多光谱图像分类方法 | |
CN111709313B (zh) | 基于局部和通道组合特征的行人重识别方法 | |
CN115984621B (zh) | 一种基于限制性原型对比网络的小样本遥感图像分类方法 | |
CN113139512B (zh) | 基于残差和注意力的深度网络高光谱影像分类方法 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN113936214B (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN112749621A (zh) | 一种基于深度卷积神经网络的遥感图像云层检测方法 | |
CN106408009B (zh) | 基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
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 | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
CN112329818B (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 |
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 |