基于自适应多尺度特征提取模型的高光谱图像分类方法.pdf
书生****文章
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于自适应多尺度特征提取模型的高光谱图像分类方法.pdf
本发明公开了基于自适应多尺度特征提取模型的高光谱图像分类方法,建立包含尺度参考网络和特征提取网络两部分的框架,在尺度参考网络,引入条件门控机制,通过三组模块逐级判断,将特征输入到对应尺度提取网络,深入挖掘高光谱遥感图像蕴含的丰富信息,有效结合不同尺度的特征,提高分类效果,生成精细分类结果图;在特征提取网络,设计大尺度特征提取网络和小尺度特征提取网络从两个尺度进行地物信息提取,综合考虑数据集异构性和被识别地物尺度差异性,能够自适应改变网络结构,实现多尺度特征协同学习。本发明在进行多尺度特征提取时,同时保留了
一种基于多尺度空谱特征联合学习的高光谱图像分类方法.pdf
本发明提供一种基于多尺度空谱特征联合学习的高光谱图像分类方法,通过多尺度光谱特征提取模块和多尺度空间特征提取模块分别有效提取了不同尺度的光谱特征和空间特征,再通过光谱?空间特征融合模块进行光谱特征和空间特征的联合提取,实现了光谱?空间特征的联合学习,充分利用了高光谱图像中丰富的光谱和空间信息,提高了分类精度;同时,本发明将光谱?空间特征的提取通过三组卷积神经网络来实现,且第一组三维卷积层Ⅰ中卷积核的前两维尺寸为1×1,第二组为二维卷积层,相比于全部使用三个维度均不为1的多层三维卷积神经网络,能够在保证分类
基于局部自适应判别分析的高光谱图像分类方法.pdf
本发明提供了一种基于局部自适应判别分析的高光谱图像分类方法(LADA)。首先,构造得到局部自适应相似度权重矩阵,来度量高光谱数据光谱通道特征的相似度;然后,分别计算类内散度矩阵和类间散度矩阵,并利用测试集像素小空间邻域的像素点构建正则化散度矩阵,以最大程度保留空间邻域信息;接着,用正则化线性判别分析的思想,引入正则化单位矩阵,迭代求解转化矩阵的解析解,避免病态问题,并避免过度降维问题;最后,利用降维后特征进行分类并计算分类精度。由于降维后的低维特征包含丰富的光谱与空间信息,在数据分布不可知的情况下仍可得到
一种基于自适应高阶张量分解的高光谱图像特征提取方法.pdf
本发明涉及一种基于自适应高阶张量分解的高光谱图像特征提取方法,采用全新方法架构进行设计,基于形状自适应的邻域建模方法,首先通过各向异性LPA‑ICI的形状自适应方法,获取形状自适应面片特征,并构建为四阶张量;然后进行多线性奇异值分解,提取低维潜在特征;最后运用稀疏多项式回归模型分类;解决了传统方法处理维数高数据时,无法较好保留数据结构信息的缺点,以及传统平方邻域建模不准确性的缺点,能够实现更高精度的高光谱图像特征提取与分类。
一种引入注意力机制的多尺度高光谱图像特征提取方法.pdf
本发明涉及一种引入注意力机制的多尺度高光谱图像特征提取方法,包括:S1、将高光谱图像归一化到[‑1,1]之间,生成光谱特征提取样本与空间特征提取样本;S2、将光谱与空间特征提取样本中有标签的样本随机采样,分为训练集、测试集;S3、将光谱训练集与空间训练集分别输入构建的光谱特征提取子网分支与空间特征提取子网分支进行光谱特征提取;S4、引入光谱得分计算网络、空间得分计算网络、权重系数γ对光谱特征和空间特征进行自适应的加权融合;S5、返回步骤S3,直到满足预先设定的迭代次数,否则保存参数;S6、将高光谱图像数据