基于多路注意力机制的语义卷积高光谱图像分类方法.pdf
雨巷****彦峰
亲,该文档总共15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
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
一种基于卷积宽度迁移网络的高光谱图像分类方法.pdf
本发明公开了一种基于卷积宽度迁移网络的高光谱图像分类方法,首先使用波段选择对原始高光谱图像进行预处理,去除波段冗余;然后通过在卷积神经网络中加入领域适应层同时对齐源域和目标域边缘概率分布和二阶统计量信息,并得到卷积领域适配网络以提取原始高光谱数据中深层领域不变性特征。接着提出加权条件最大均值差异,并将基于加权条件最大均值差异的正则项加入宽度网络,得到加权条件宽度学习网络以减少两域条件概率分布差异和类权重偏差,同时对特征进行宽度扩展。最后通过岭回归理论快速计算出输出权值。本方法可仅使用利用源域标记样本完成对
基于贝叶斯层图卷积神经网络的高光谱图像分类方法.pdf
本发明涉及一种基于贝叶斯层图卷积神经网络的高光谱图像分类方法,包括:步骤1:获取高光谱图像数据集,对高光谱图像数据集进行预处理,之后按照预设比例划分得到训练集和测试集;步骤2:构建贝叶斯层图卷积神经网络;步骤3:利用训练集和测试集对贝叶斯层图卷积神经网络进行训练和测试,得到训练完成的贝叶斯层图卷积神经网络;步骤4:利用训练完成的贝叶斯层图卷积神经网络对待测高光谱图像的目标进行识别分类,得到识别结果。本发明的方法实现对遥感图像的高效率与高准确度分类,解决了遥感图像的分类领域的不确定性评估问题,实现了分类结果
一种基于混合卷积神经网络的高光谱遥感图像分类方法.pdf
本发明公开了一种混合卷积神经网络的高光谱遥感图像分类方法。本发明包括:1、将3维和2维卷积神经网络进行串联,加入并行卷积块和非局部注意力模块,构建自定义的神经网络;2、将有标注的高光谱图像划分为若干有重叠的小数据立方体作为模型的输入;3、将样本按一定的比例划分为训练集和测试集;4、分批次将训练集样本输入神经网络进行训练,直到模型稳定;5、使用训练好的模型对高光谱图像进行分类,通过预先划分好的测试集评估模型的分类效果,并最终得到分类结果图。本发明充分利用高光谱遥感图像丰富的光谱信息和空间信息。同时在进行注意