-
公开(公告)号：CN113420798B
公开(公告)日：2024-09-17
申请号：CN202110641863.7
申请日：2021-06-09
Applicant: 中国石油大学(华东)
IPC: G06V10/764 , G06V10/774 , G06V10/40
Abstract: 本发明涉及一种基于孪生光谱注意力一致性的高光谱图像分类方法，包括以下步骤：步骤1、数据生成。对从高光谱图像提取的样本数据χ＝{x1，x2，x3}进行分割操作，分别得到两个空间块大小不同的数据集特征。步骤2、光谱特征细化。对得到的数据集特征送入Dense网络中，将所有高度相关的光谱特征再次细化，获取信息。步骤3、光谱特征增强。通过应用通道注意机制，增强光谱特征，突出关键通道。步骤4、通道一致性正则化。通过对通道一致性假设建模，建立了一种特殊的连接上下分支的纽带。步骤5、将这两个分支的分类损失和信道一致性损失整合到一个统一的网络中，进行端到端训练。将验证集通过训练好的模型，得到最佳训练模型，然后通过测试及得到高光谱图像的分类结果。本发明将光谱注意力一致性模型应用到高光谱图像分类中，并将一致性损失函数应用到高光谱图像的地物分类中，提高了高光图像分类的准确率。
-
公开(公告)号：CN113807438B
公开(公告)日：2023-08-29
申请号：CN202111093418.8
申请日：2021-09-17
Applicant: 中国石油大学(华东)
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/094 , G06N3/0895 , G06N3/0464
Abstract: 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络，提取特征之后通过分类函数得到作为分类结果的标签。
-
公开(公告)号：CN113807438A
公开(公告)日：2021-12-17
申请号：CN202111093418.8
申请日：2021-09-17
Applicant: 中国石油大学(华东)
Abstract: 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络，提取特征之后通过分类函数得到作为分类结果的标签。
-
公开(公告)号：CN113420798A
公开(公告)日：2021-09-21
申请号：CN202110641863.7
申请日：2021-06-09
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及一种基于孪生光谱注意力一致性的高光谱图像分类方法，包括以下步骤：步骤1、数据生成。对从高光谱图像提取的样本数据χ＝{x1，x2，x3}进行分割操作，分别得到两个空间块大小不同的数据集特征。步骤2、光谱特征细化。对得到的数据集特征送入Dense网络中，将所有高度相关的光谱特征再次细化，获取信息。步骤3、光谱特征增强。通过应用通道注意机制，增强光谱特征，突出关键通道。步骤4、通道一致性正则化。通过对通道一致性假设建模，建立了一种特殊的连接上下分支的纽带。步骤5、将这两个分支的分类损失和信道一致性损失整合到一个统一的网络中，进行端到端训练。将验证集通过训练好的模型，得到最佳训练模型，然后通过测试及得到高光谱图像的分类结果。本发明将光谱注意力一致性模型应用到高光谱图像分类中，并将一致性损失函数应用到高光谱图像的地物分类中，提高了高光图像分类的准确率。
-
-
-
Search Results
4
records
(took 0.032 seconds)
