一种基于扁平混合卷积神经网络的高光谱图像分类方法.pdf
努力****振宇
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于扁平混合卷积神经网络的高光谱图像分类方法.pdf
本申请涉及高光谱图像处理技术领域,尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。本申请提供的方法利用多种维度的卷积,在初级神经网络模型的前几层引入三维卷积,对空间‑光谱特征进行提取和表示,后几层接上二维卷积层,对已经学习到的特征进一步整合,既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点,又能比单一的二维卷积学习到更有效的特征;结合了多种类型的池化进行采样,在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征,大大减少了模型的参数,缓和过拟合现象,使之在较少的训练样本下也能保持
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
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
多目标进化卷积神经网络的高光谱图像分类方法.pdf
本发明公开了一种多目标进化卷积神经网络的高光谱图像分类方法,主要解决现有技术中网络较复杂,分类精度较低的问题。本发明具体步骤如下:(1)初始化个体架构信息组成种群;(2)解码个体生成训练集,验证集和卷积神经网络;(3)计算卷积神经网络的分类精度与浮点运算次数作为两个适应度;(4)采用交叉,变异,多目标选择对种群迭代更新得到最优种群;(5)使用最优种群中分类精度最高的个体对应的卷积神经网络对待高光谱图像进行分类。本发明采用进化算法实现对卷积神经网络自动设计,并使用多目标优化,具有针对高光谱图像分类问题精度高
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