一种基于不可靠伪标签学习的半监督高光谱图像分类方法.pdf
猫巷****盟主
亲,该文档总共14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
一种基于不可靠伪标签学习的半监督高光谱图像分类方法.pdf
本发明公开了一种基于不可靠伪标签学习的半监督高光谱图像分类方法,包括:(1)搭建两个具有相同结构的教师和学生神经网络模型用于提取样本特征;(2)使用少量标记样本预先训练教师网络模型;(3)根据类别概率将无标记样本划分成可靠和不可靠样本;(4)将可靠的预测值作为正确的伪标签,同少量标记样本计算监督损失;(5)通过采样的策略构造锚点像素、正样本和负样本,使用对比学习重新利用不可靠预测值的样本特征;(6)计算目标函数,优化神经网络模型参数;(7)预测高光谱图像分类性能。本发明采取对比学习方式将不可靠伪标签作为对
基于空‑谱信息的高光谱图像半监督分类方法.pdf
本发明公开了一种基于空‑谱信息的高光谱图像半监督分类方法,该方法将高光谱图像中的光谱信息、空间信息联合作用于支持向量机分类器,采用自训练的半监督分类框架,并利用主动学习的方法作为半监督分类的样本选取策略,将半监督分类得到的初始分类结果进行按类分解得到的各类的二值图像作为边缘保留滤波器的输入图像,光谱信息的第一主成分分量作为滤波器的参照图像,利用边缘保留滤波器进行局部平滑,消除噪声,然后将像元按照所属概率最大的类别进行划分,完成分类过程。本发明联合光谱信息和空间信息提高了类别的可分性,利用自训练的半监督分类
基于语义保留的对抗混合半监督高光谱图像分类方法.pdf
本发明涉及一种基于语义保留的对抗混合半监督高光谱图像分类方法,所述方法在训练阶段包括以下步骤:步骤1、通过特征提取网络对有标签样本进行特征提取;步骤2、通过所述特征提取网络对从样本集中随机抽取的两个无标签样本进行特征提取,将所提取的两个无标签样本的特征混合后送入重构网络;步骤3、通过所述重构网络重构样本,将重构的样本送入对抗语义还原网络;步骤4、通过联合损失函数来优化特征提取网络、重构网络和对抗语义还原网络的参数。所述方法在测试阶段包括以下步骤:步骤5、将需要分类的高光谱图像的无标签样本送入所述特征提取网
一种基于伪标签的人脸图像高光去除方法.pdf
本发明涉及图像处理、计算机视觉及深度学习领域,特别涉及一种基于伪标签的人脸图像高光去除方法,包括通过渲染引擎获取合成人脸数据集,与真实带高光人脸图像组成带标签数据集和无标签数据集;使用带标签数据集对卷积神经网络进行训练;使用伪标签的方法,提升神经网络的泛化能力;将带高光的人脸图像输入卷积神经网络,得到去除高光的图片;本发明得到的人脸去高光图像符合人脸观测效果,且不会损伤人脸纹理细节。
一种基于高光谱遥感图像的分类方法及装置.pdf
本发明实施例提供了一种高光谱遥感图像的分类方法及装置,将高光谱遥感图像中像元的空间邻域信息作为约束条件,依据计算得到的聚类中心集合,通过人工蜂群算法确定高光谱遥感图像的最优聚类中心,并使用最优聚类中心对高光谱遥感图像中的目标进行分类,因此,在对图像中的目标分类的过程中,不仅以像元的光谱为依据,而且以像元的空间邻域信息为依据,按照地理学中空间上越临近,则归属于同一类别的可能性越高的原理,考虑像元的空间邻域信息后,光谱差异大但在空间上临近的像元被归为一类的可能性大大增加,因此,能够避免分类过度的问题。