CN117197269A - 一种基于深度学习模型的高光谱影像模拟方法 - Google Patents
一种基于深度学习模型的高光谱影像模拟方法 Download PDFInfo
- Publication number
- CN117197269A CN117197269A CN202311113098.7A CN202311113098A CN117197269A CN 117197269 A CN117197269 A CN 117197269A CN 202311113098 A CN202311113098 A CN 202311113098A CN 117197269 A CN117197269 A CN 117197269A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral
- multispectral
- value
- image
- spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004088 simulation Methods 0.000 title claims abstract description 17
- 238000013136 deep learning model Methods 0.000 title claims abstract description 16
- 238000002310 reflectometry Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000005316 response function Methods 0.000 claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习模型的高光谱影像模拟方法，涉及对地观测与遥感技术领域，从已有高光谱影像中提取端元高光谱反射率，构建高光谱光谱库；利用多光谱的光谱响应函数，通过计算得到和多光谱波段数相同的不同地物的端元多光谱反射率，构建多光谱光谱库，加入注意力机制对多光谱影像数据进行预处理，用多光谱影像数据、多光谱光谱库和高光谱光谱库作为注意力机制的查询、键和值，优化输入的多光谱影像数据，使用了神经网络对端元线性组合后的模拟光谱影像进行细节点优化，达到非常好的模拟效果。
Description
技术领域
本发明涉及对地观测与遥感技术领域，具体为一种基于深度学习模型的高光谱影像模拟方法。
背景技术
高光谱遥感数据具有较高的光谱分辨率，包含更加丰富的信息。但是受到观测条件的限制，我们无法获取到所需地区的高光谱影像，所以通过模拟技术手段基于多光谱影像模拟高光谱遥感影像一直都是遥感领域十分重要的研究方向之一，现有的模型与算法运用的地面光谱仪采集的数据和星载数据有较大差异，很难较为准确的还原真实星载高光谱的光谱曲线。
发明内容
本发明的目的在于提供一种基于深度学习模型的高光谱影像模拟方法，以解决上述背景技术中提出的问题。
一种基于深度学习模型的高光谱影像模拟方法，包括以下步骤：
S1-1，获取高光谱影像数据和多光谱影像数据；
S1-2，构建高光谱光谱库和多光谱光谱库；
S1-3，将预处理之后的数据输入到神经网络层NET中，得到模拟高光谱反射率；
S1-4，根据模拟高光谱反射率，得到模拟高光谱影像，结束。
具体地，在步骤s1-2中，所述构建高光谱光谱库和多光谱光谱库包括以下步骤：
s2-1，将高光谱影像聚类成N类地物，提取N类地物的类中心作为该地物的端元高光谱反射率，构建高光谱光谱库；
S2-2，将高光谱光谱库中光谱作为输入，利用多光谱的光谱响应函数，通过计算得到和多光谱波段数相同的不同地物的端元多光谱反射率，构建多光谱光谱库；
S2-3，将多光谱影像像元的反射率作为查询qt，t＝1，...，n，n为多光谱影像像元的反射率数据的个数，多光谱端元光谱库和高光谱光谱库作为键值对，得到m个键值对(k1，v1)，...，(km，vm)，m为多光谱端元光谱库和高光谱光谱库中端元光谱的个数。
具体地，在步骤s2-1中，聚类方法选用K均值聚类法对高光谱影像聚类成N个簇，提取每个簇的类中心作为该类别的端元光谱，N为正整数；
在步骤S2-2中，多光谱的光谱响应函数为：
其中，LB和L(λ)分别遥感图像波段和光谱库中较细波段的信号能量值(幅射亮度或反射率)，β(λ)代表不同波段对应的光谱响应函数的权重值，β(λ)通过实验测量或模拟得到，通过这一方法光谱能量能够在不同的波段范围内被重新分配。
具体地，在步骤s1-3中，还包括以下步骤：
S5-1，设置t＝1；
S5-2，将查询qt和键值对输入到加性注意力模块中，得到高光谱光谱库各个端元光谱的加权值αt；
S5-3，将查询qt和加权值进行特征拼接，得到神经网络层NET的输入αt⊙qt，⊙意为对应元素相乘；
S5-4，将拼接后的特征输入到神经网络层NET中，网络层NET包含H层线性层和ReLU层，得到高光谱像元反射率预测值H为正整数，一个高光谱像元反射率预测值对应一个多光谱影像像元反射率；
S5-5，计算高光谱像元反射率预测值和高光谱像元反射率真实值之间的损失值，通过小批量梯度下降算法更新线性层参数；
S5-6，将t+1的值赋予t，重复步骤S5-2至S5-6，直到t＝n+1，此时所有拼接后的特征都完成一次小批量梯度下降法更新参数；
S5-7，重新计算所有高光谱像元反射率预测值，并计算所有高光谱像元反射率预测值和真实值之间的损失值的平均值，设置阈值和最大循环次数，若损失值的平均值小于阈值或达到最大循环次数，则结束模型训练，保存参数结束模型训练，否则重新对多光谱影像像元反射率数据进行排序，进入S5-1。
在步骤S5-2中，加性注意力模块表达式为：
其中，α为注意力权重函数；/>为所有多光谱影像反射率构成的向量空间，/>为多光谱端元光谱库中所有端元光谱构成的向量空间，为高光谱光谱库所有端元光谱构成的向量空间。
注意力权重函数通过以下步骤获取：
S7-1，首先将查询qt和键ki分别输入线性层Wq和Wk，得到相同维度的两个输出向量Wqqt和Wkki，Wq和Wk为可更新参数；
S7-2，将两个输出向量相加后，经过一个tanh激活函数层；
s7-3，将步骤s7-2中的结果经过一个输出特征大小和值vi特征大小相同的线性层得到归一化之前的α(qt，ki)，此处值vi特征大小等于高光谱影像的波段数量， 为可更新参数；
s7-4，使用softmax函数进行归一化，得到最终的α(qt，ki)，最终的
softmax函数用于将所有值都归一化到0和1之间，归一化之后的所有值相加等于1。
在步骤S5-4中，线性层为全连接层，全连接层计算公式为：
其中，zi为该全连接层第i个神经元的输出，xj为该神经元的第个j输入特征，xj来自于该全连接层的输入X，X包括前级全连接层的输出和查询qt与加权值特征拼接值αt⊙qt，h为该神经元输入的总数量，UT为此全连接层的权重，p表示该全连接层的偏置，采用随机初始化的方式；
经过全连接层后，使用ReLU函数作为激活函数，函数的计算公式为：
ReLU(zi)＝max(0，zi)。
采用小批量梯度下降法更新线性层的权值和偏置，包括以下步骤：
S8-1，指定批量大小A和学习率η，每A条数据作为一个批量；
S8-2，遍历计算一个批量所有数据的权重UT和偏置p相对于损失值的梯度，计算公式如下：
其中，L为损失函数，y为该线性层的输出；
S8-3，计算该批量所有数据权重和偏置梯度的平均数；
S8-4，根据梯度的平均数和学习率更新权值和偏置：
具体地，损失函数为均方误差函数MSFloss，公式为：
为高光谱像元的反射率预测值，yt为高光谱像元的反射率真实值。
小批量梯度下降法使用每个训练迭代中的一小部分样本来估计梯度，并进行参数更新，这样可以更频繁地进行参数调整，加快算法的收敛速度；小批量梯度下降法通过使用一个小样本集合的平均梯度来更新参数，使梯度估计更稳定，相比于单个样本的随机梯度下降，小批量梯度下降可以降低参数更新的方差，从而产生更稳定的训练过程；小批量梯度下降法提供了一种在训练中引入随机性和多样性的方式，这有助于防止模型陷入局部最优解，提高了模型的泛化能力，减少过拟合的风险。
与现有技术相比，本发明所达到的有益效果是：用于生成模型影像的端元光谱由待模拟遥感影像中提取，可以使模拟影像光谱曲线更接近真实高光谱影像；使用了神经网络对端元线性组合后的模拟光谱影像进行细节点优化，达到非常好的模拟效果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明实施例一种基于深度学习模型的高光谱影像模拟方法的网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明实施例一种基于深度学习模型的高光谱影像模拟方法包括以下步骤：
S1-1，获取高光谱影像数据和多光谱影像数据；
S1-2，构建高光谱光谱库和多光谱光谱库；
S1-3，将预处理之后的数据输入到神经网络层NET中，得到模拟高光谱反射率；
S1-4，根据模拟高光谱反射率，得到模拟高光谱影像，结束。
在步骤S1-2中，构建高光谱光谱库和多光谱光谱库包括以下步骤：
S2-1，将高光谱影像聚类成N类地物，提取N类地物的类中心作为该地物的端元高光谱反射率，构建高光谱光谱库；
s2-2，将高光谱光谱库中光谱作为输入，利用多光谱的光谱响应函数，通过计算得到和多光谱波段数相同的不同地物的端元多光谱反射率，构建多光谱光谱库；
S2-3，将多光谱影像像元的反射率作为查询qt，t＝1，...，n，n为多光谱影像像元的反射率数据的个数，多光谱端元光谱库和高光谱光谱库作为键值对，得到m个键值对(k1，v1)，...，(km，vm)，m为多光谱端元光谱库和高光谱光谱库中端元光谱的个数。
在步骤S2-1中，选用K均值聚类法对高光谱影像聚类成N个簇，提取每个簇的类中心作为该类别的端元光谱，N为正整数；计算不同簇数下的聚类误差平方和SSE或其他度量指标，绘制聚类数目和聚类误差之间的关系图，当增加簇数不能显著降低聚类误差时，出现一个明显拐点，该点即为合适的簇数N。
在步骤S2-2中，多光谱的光谱响应函数为：
其中，LB和L(λ)分别遥感图像波段和光谱库中较细波段的信号能量值，β(λ)代表不同波段对应的光谱响应函数的权重值，β(λ)通过实验测量或模拟得到，通过这一方法光谱能量能够在不同的波段范围内被重新分配。
在步骤S1-3中，还包括以下步骤：
S5-1，设置t＝1；
S5-2，将查询qt和键值对输入到加性注意力模块中，得到高光谱光谱库各个端元光谱的加权值αt；
S5-3，将查询qt和加权值进行特征拼接，得到神经网络层NET的输入αt⊙qt，⊙意为对应元素相乘；
S5-4，将拼接后的特征输入到神经网络层NET中，网络层NET包含3层线性层和ReLU层，得到高光谱像元反射率预测值H为正整数，一个高光谱像元反射率预测值对应一个多光谱影像像元反射率；
S5-5，计算高光谱像元反射率预测值和高光谱像元反射率真实值之间的损失值，通过小批量梯度下降算法更新线性层参数；
S5-6，将t+1的值赋予t，重复步骤S5-2至S5-6，直到t＝n+1，此时所有拼接后的特征都完成一次小批量梯度下降法更新参数；
S5-7，重新计算所有高光谱像元反射率预测值，并计算所有高光谱像元反射率预测值和真实值之间的损失值的平均值，设置阈值和最大循环次数，若损失值的平均值小于阈值或达到最大循环次数，则结束模型训练，保存参数结束模型训练，否则重新对多光谱影像像元反射率数据进行排序，进入S5-1。
在步骤S5-2中，加性注意力模块表达式为：
其中，α为注意力权重函数；/>为所有多光谱影像反射率构成的向量空间，/>为多光谱端元光谱库中所有端元光谱构成的向量空间，为高光谱光谱库所有端元光谱构成的向量空间；
注意力权重函数通过以下步骤获取：
S7-1，首先将查询qt和键ki分别输入线性层Wq和Wk，得到相同维度的两个输出向量Wqqt和Wkki，Wq和Wk为可更新参数；
S7-2，将两个输出向量相加后，经过一个tanh激活函数层；
S7-3，将步骤S7-2中的结果经过一个输出特征大小和值vi特征大小相同的线性层得到归一化之前的α(qt，ki)，此处值vi特征大小等于高光谱影像的波段数量， 为可更新参数；
S7-4，使用softmax函数进行归一化，得到最终的α(qt，ki)，最终的
softmax函数用于将所有值都归一化到0和1之间，归一化之后的所有值相加等于1。
在步骤S5-4中，线性层为全连接层，全连接层计算公式为：
其中，zi为该全连接层第i个神经元的输出，xj为该神经元的第个j输入特征，xj来自于该全连接层的输入X，X包括前级全连接层的输出和查询qt与加权值特征拼接值αt⊙qt，h为该神经元输入的总数量，UT为此全连接层的权重，p表示此全连接层偏置，采用随机初始化的方式；
经过全连接层后，使用ReLU函数作为激活函数，函数的计算公式为：
ReLU(zi)＝max(0，zi)。
采用小批量梯度下降法更新线性层的权值和偏置，包括以下步骤：
S8-1，指定批量大小A为200，学习率η为0.05，每200条数据作为一个批量，批量大小A和学习率η也可根据时间情况设定为其他值；
S8-2，遍历计算一个批量所有数据的权重UT和偏置p相对于损失值的梯度，计算公式如下：
其中，L为损失函数，y为该线性层的输出；
S8-3，计算该批量所有数据权重和偏置梯度的平均数；
S8-4，根据梯度的平均数和学习率更新权值和偏置：
具体地，损失函数为均方误差函数MSEloss，公式为：
为高光谱像元的反射率预测值，yt为高光谱像元的反射率真实值。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习模型的高光谱影像模拟方法，其特征在于包括以下步骤：
S1-1，获取高光谱影像数据和多光谱影像数据；
S1-2，构建高光谱光谱库和多光谱光谱库；
S1-3，将预处理之后的数据输入到神经网络层NET中，得到模拟高光谱反射率；
S1-4，根据模拟高光谱反射率，得到模拟高光谱影像，结束。
2.在步骤根据权利要求1所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S1-2中，所述构建高光谱光谱库和多光谱光谱库包括以下步骤：
S2-1，将高光谱影像聚类成N类地物，提取N类地物的类中心作为该地物的端元高光谱反射率，构建高光谱光谱库；
S2-2，将高光谱光谱库中光谱作为输入，利用多光谱的光谱响应函数，通过计算得到和多光谱波段数相同的不同地物的端元多光谱反射率，构建多光谱光谱库；
S2-3，将多光谱影像像元的反射率作为查询qt，t＝1,...,n，n为多光谱影像像元的反射率数据的个数，多光谱端元光谱库和高光谱光谱库作为键值对，得到m个键值对(k1,v1),...,(km,vm)，m为多光谱端元光谱库和高光谱光谱库中端元光谱的个数。
3.根据权利要求2所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S2-1中，聚类方法选用K均值聚类法将高光谱影像聚类成N个簇，提取每个簇的类中心作为该类别的端元光谱，N为正整数。
4.根据权利要求2所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S2-2中，所述多光谱的光谱响应函数为：
其中，LB和L(λ)分别遥感图像波段和光谱库中较细波段的信号能量值，β(λ)代表不同波段对应的光谱响应函数的权重值，β(λ)通过实验测量或模拟得到，通过这一方法光谱能量能够在不同的波段范围内被重新分配。
5.根据权利要求1所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S1-3中，还包括以下步骤：
S5-1，设置t＝1；
S5-2，将查询qt和键值对输入到加性注意力模块中，得到高光谱光谱库各个端元光谱的加权值αt；
S5-3，将查询qt和加权值进行特征拼接，得到神经网络层NET的输入αt⊙qt，⊙意为对应元素相乘；
S5-4，将拼接后的特征输入到神经网络层NET中，网络层NET包含H层线性层和ReLU层，得到高光谱像元反射率预测值H为正整数，一个高光谱像元反射率预测值对应一个多光谱影像像元反射率；
S5-5，计算高光谱像元反射率预测值和高光谱像元反射率真实值之间的损失值，通过小批量梯度下降算法更新线性层参数；
S5-6，将t+1的值赋予t，重复步骤S5-2至S5-6，直到t＝n+1，此时所有拼接后的特征都完成一次小批量梯度下降法更新参数；
S5-7，重新计算所有高光谱像元反射率预测值，并计算所有高光谱像元反射率预测值和真实值之间的损失值的平均值，设置阈值和最大循环次数，若损失值的平均值小于阈值或达到最大循环次数，则结束模型训练，保存参数结束模型训练，否则重新对多光谱影像像元反射率数据进行排序，进入S5-1。
6.根据权利要求5所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S5-2中，所述加性注意力模块表达式为：
其中，α为注意力权重函数；/>为所有多光谱影像反射率构成的向量空间，/>为多光谱端元光谱库中所有端元光谱构成的向量空间，/>为高光谱光谱库所有端元光谱构成的向量空间。
7.根据权利要求6所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，所述注意力权重函数通过以下步骤获取：
S7-1，首先将查询qt和键ki分别输入线性层Wq和Wk，得到相同维度的两个输出向量Wqqt和Wkki，Wq和Wk为可更新参数；
S7-2，将两个输出向量相加后，经过一个tanh激活函数层；
S7-3，将步骤S7-2中的结果经过一个输出特征大小和值vi特征大小相同的线性层得到归一化之前的α(qt,ki)，此处值vi特征大小等于高光谱影像的波段数量， 为可更新参数；
S7-4，使用sofrmax函数进行归一化，得到最终的α(qt,ki)，
8.根据权利要求5所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，采用小批量梯度降法更新权值和偏置，包括以下步骤：
S8-1，指定批量大小A和学习率η，每A条数据作为一个批量；
S8-2，遍历计算一个批量所有数据的权重和偏置相对于损失值的梯度；
S8-3，计算该批量所有数据权重和偏置梯度的平均数；
S8-4，根据梯度的平均数和学习率更新权值和偏置。
9.根据权利要求5所述的一种基于深度学习模型的高光谱影像模拟方法，其特征在于，在步骤S5-7中，所述损失值通过计算高光谱像元反射率预测值和高光谱像元反射率真实值的均方误差获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113098.7A CN117197269A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习模型的高光谱影像模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311113098.7A CN117197269A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习模型的高光谱影像模拟方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197269A true CN117197269A (zh) | 2023-12-08 |
Family
ID=88984284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311113098.7A Pending CN117197269A (zh) | 2023-08-31 | 2023-08-31 | 一种基于深度学习模型的高光谱影像模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197269A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
| US20200065326A1 (en) * | 2018-03-27 | 2020-02-27 | EBA Japan Co., Ltd. | Information search system and information search program |
| CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及*** |
-
2023
- 2023-08-31 CN CN202311113098.7A patent/CN117197269A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200065326A1 (en) * | 2018-03-27 | 2020-02-27 | EBA Japan Co., Ltd. | Information search system and information search program |
| CN110427818A (zh) * | 2019-06-17 | 2019-11-08 | 青岛星科瑞升信息科技有限公司 | 高光谱数据支持的深度学习卫星数据云检测方法 |
| CN113222836A (zh) * | 2021-04-25 | 2021-08-06 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 方帅等: "基于类解混的高光谱和多光谱图像融合算法", CNKI, vol. 32, no. 1, 15 January 2020 (2020-01-15), pages 54 - 67 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hegde | Photonics inverse design: pairing deep neural networks with evolutionary algorithms | |
| US20210089922A1 (en) | Joint pruning and quantization scheme for deep neural networks | |
| Aizenberg et al. | CNN based on multi-valued neuron as a model of associative memory for grey scale images | |
| Hao et al. | A deep network architecture for super-resolution-aided hyperspectral image classification with classwise loss | |
| Vanzella et al. | Photometric redshifts with the Multilayer Perceptron Neural Network: Application to the HDF-S and SDSS | |
| CN107833208B (zh) | 一种基于动态权重深度自编码的高光谱异常检测方法 | |
| CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
| CN108985457B (zh) | 一种受优化算法启发的深度神经网络结构设计方法 | |
| CN113159389A (zh) | 一种基于深度森林生成对抗网络的金融时间序列预测方法 | |
| Zhang et al. | Self-blast state detection of glass insulators based on stochastic configuration networks and a feedback transfer learning mechanism | |
| CN114937204A (zh) | 一种轻量级多特征聚合的神经网络遥感变化检测方法 | |
| CN109977989B (zh) | 一种图像张量数据的处理方法 | |
| CN112784907A (zh) | 基于空谱特征与bp神经网络的高光谱图像分类方法 | |
| Ghasrodashti et al. | Sparse-based classification of hyperspectral images using extended hidden Markov random fields | |
| CN116469561A (zh) | 一种基于深度学习的乳腺癌生存预测方法 | |
| Banumathi et al. | An Intelligent Deep Learning Based Xception Model for Hyperspectral Image Analysis and Classification. | |
| Jang et al. | Deep neural networks with a set of node-wise varying activation functions | |
| CN108470209B (zh) | 一种基于格拉姆矩阵正则化的卷积神经网可视化方法 | |
| Harikrishnan et al. | Handwritten digit recognition with feed-forward multi-layer perceptron and convolutional neural network architectures | |
| CN117197269A (zh) | 一种基于深度学习模型的高光谱影像模拟方法 | |
| CN111062888B (zh) | 一种基于多目标低秩稀疏及空谱全变分的高光谱影像去噪方法 | |
| Wang et al. | Learning of recurrent convolutional neural networks with applications in pattern recognition | |
| CN110288002A (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
| Jiang | Hyperspectral remote sensing image classification based on deep learning | |
| Safari | MCSM-DEEP: A multi-class soft-max deep learning classifier for image recognition |
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 |