基于语义保留的对抗混合半监督高光谱图像分类方法.pdf
子璇****君淑
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
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
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
基于多路注意力机制的语义卷积高光谱图像分类方法.pdf
本发明公开了一种多路注意力机制的语义卷积高光谱图像分类方法,主要解决现有技术对提取特征利用率不足所造成信息丢失,或者保留过多无关信息造成信息冗余的问题。其方案是:1)输入高光谱图像,生成样本数不同的训练样本集和测试样本集;2)构建多路注意力机制的语义卷积神经网络;3)将训练样本集分次输入到多路注意力机制的语义卷积神经网络,利用随机梯度下降法对该网络进行训练,直到focalloss损失函数收敛;4)将测试样本输入到训练好的多路注意力机制的语义卷积神经网络得到分类结果。本发明能在少训练样本下获得高准确率的分
一种基于边缘保留滤波的CNN高光谱图像分类方法.pdf
本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法,为了增强分类效果,采用边缘保留滤波进行空间特征提取。同时,为了解决分类样本不均衡的特征,改变了原有的损失函数,增大样本数比较少的分类惩罚力度,进一步提高了分类效果。
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