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.pdf
闪闪****魔王
亲,该文档总共11页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
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.pdf
本发明涉及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,包括以下步骤:1、对原始高光谱遥感数据进行分割、数据增强等预处理;2、在源域和目标域随机选取样本构成对比支持集和查询集;3、设计并构建深度特征提取网络,利用对比支持集的类别原型与和查询集样本之间的距离更新网络参数;4、对类别原型施加三重限制以获得更加准确的原型用于网络的训练;5、微调网络模型并预测所有未标记样本的类别标签。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。
一种基于自监督对比学习的小样本遥感图像分类方法.pdf
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
一种基于原型对比学习的半监督遥感图像检索方法及系统.pdf
本发明公开了一种基于原型对比学习的半监督遥感图像检索方法及系统,在不额外引入margin超参数的前提下,在学习过程中最大化类间方差同时最小化类内方差。接着,提出基于原型的无监督对比学习损失利用未标记数据优化半监督模型,将双分支改进为单分支,不依赖于数据增强构造正样本对,而是根据标记数据的原型为未标记数据分配伪标签,然后利用伪标签构建正负对来进行对比学习,从而充分挖掘未标记数据中隐藏的语义信息来增强模型的特征提取能力。最后,提出了多分支注意力模块,在不同尺度的图像信息上提取注意力权重,可以有效捕获遥感图像的
一种基于原型对比自训练的跨域图像分类方法.pdf
本发明公开了一种基于原型对比自训练的跨域图像分类方法。本发明包括如下步骤:1)通过域不变特征学习方法,获得跨域图像分类模型;2)利用当前最新的跨域图像分类模型预测目标域上图像的伪标签,使用每个批次的数据不断更新每个类别的原型并计算对比损失;3)将分类损失和对比损失结合构成目标函数进行训练,优化更新特征抽取网络与跨域图像分类网络,再回到步骤2)循环执行。本发明将原型对比学习融入到自训练中,通过将目标域中无标签图像数据的分布结构编码进自训练框架中,并在自学习的过程中完全放弃掉源数据,有效解决了域不变表征学习与
基于图网络的少样本遥感图像分类算法研究的开题报告.docx
基于图网络的少样本遥感图像分类算法研究的开题报告一、选题背景遥感图像分类是遥感科学中的重要问题之一,其主要目的是根据遥感图像中的像元(pixel)信息,将其划分为具有相似特征的不同类别。目前,遥感图像分类技术已经有了很多进展,但是在样本不足的情况下,分类任务仍然存在挑战。因此,如何应对遥感图像分类问题中的少样本情况,成为了研究的热点和难点之一。近年来,图网络作为一种用于处理非结构化数据的有效工具,已经引起了广泛关注。因此,本文将研究基于图网络的少样本遥感图像分类算法,旨在提高分类准确率,解决少样本情况下的