检索结果-南通市图书馆

测绘学报 2024年第1期53卷 50-64页

作者：孙一帆刘冰余旭初谭熊余岸竹信息工程大学河南郑州450001

基于深度学习的高光谱影像分类方法通常将高光谱影像切分为局部方块作为模型的输入,这不但限制了长距离空-谱信息关联的获取,还带来了大量额外的计算开销。以全局图像作为输入的图像级分类方法能够有效避免这些缺陷,然而,现有的基于全... 详细信息

基于深度学习的高光谱影像分类方法通常将高光谱影像切分为局部方块作为模型的输入,这不但限制了长距离空-谱信息关联的获取,还带来了大量额外的计算开销。以全局图像作为输入的图像级分类方法能够有效避免这些缺陷,然而,现有的基于全卷积神经网络特征串行流动模式的图像级分类方法在信息恢复时的细节损失会导致分类精度低、分类图视觉效果差等问题。因此,本文提出一种基于HRNet的图像级高光谱影像快速分类方法,在全程保持高分辨率特征的基础上对影像的多重分辨率特征进行并行计算与交叉融合,从而缓解了传统特征串行流动模式造成的信息损失问题。同时,提出多分辨率特征联合监督和投票分类策略,进一步提升了模型分类性能。利用4组开源高光谱影像数据集对本文方法进行验证,试验结果表明,与现有的先进分类方法相比,本文方法能够取得具有竞争性的分类结果,同时显著减少训练和分类时长,在实际应用时更具时效性。为了保证方法的复现性,笔者将代码开源于https://***/sssssyf/fast-image-level-vote。

关键词：高光谱影像分类图像级全卷积神经网络 HRNet

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的高光谱影像图像级分类技术研究

基于深度学习的高光谱影像图像级分类技术研究

引用

作者：孙一帆战略支援部队信息工程大学

学位级别：硕士

基于深度学习的高光谱影像分类方法发展至今,已取得显著成就,能够有效提升分类精度。其中,块级分类方法以影像切分后的局部方块作为处理单元,取得了较大发展,但仍然存在难以利用全局信息、需要切分影像、模型运行效率低下等固有缺陷。... 详细信息

基于深度学习的高光谱影像分类方法发展至今,已取得显著成就,能够有效提升分类精度。其中,块级分类方法以影像切分后的局部方块作为处理单元,取得了较大发展,但仍然存在难以利用全局信息、需要切分影像、模型运行效率低下等固有缺陷。以全局影像作为处理单元的图像级输入方式能够有效避免这些缺陷。为此,论文以图像级的输入方式作为研究主体,围绕基于深度学习的高光谱影像图像级分类方法展开研究,聚焦于解决全域分类图细节失真与类边界膨胀、有限显卡内存与大尺寸影像输入之间的矛盾、有限样本情形表现不佳、模型泛化能力不足等主要问题,充分挖掘其在分类问题中的潜力与优势。论文完成的主要工作和创新点如下:(1)设计了一种高光谱影像高分辨率特征网络分类方法,基于全卷积神经网络对影像的多重分辨率特征进行并行计算与交叉融合,从而缓解了传统特征串行流动模式造成的关键信息损耗问题,并采用多分辨率特征联合监督和投票分类两种针对性策略提升分类表现。实验结果表明,与现有的块级和图像级分类方法相比,该方法能够取得具有比较优势的分类结果,并改善分类图效果,同时显著减少训练和分类时长,在实际应用时更具时效性。(2)提出了一种高光谱影像特征分辨率无损网络分类方法,通过删减下采样环节来全程保持特征分辨率无损的流动形式,从而提取精细空谱特征,并嵌入Octave全卷积运算等模块来增强网络性能。此外,为了解决显卡内存有限与大尺寸影像之间的冲突,还提出了一种影像分辨率重构分类流程,并且该流程能够直接应用于不同的图像级分类方法中,为处理大尺寸影像提供了解决方案。实验结果表明,该方法能够进一步提升分类性能,并缓解以往方法中广泛存在的分类图细节失真、边界膨胀等现象。(3)提出了一种光谱变化特征的自监督学习框架,通过在大量无标记高光谱影像数据上进行预训练,将必要的特征学习过程前置,使得模型能够学习到提取光谱变化的能力。实验结果表明,该方法在有限样本情形下能够获得优越的分类表现,表现为噪声少、准确率高、全域分类图刻画细致,缓解了以往监督学习方法在训练样本不足时表现不佳的问题。同时,网络通过自监督学习能够获得具有鲁棒性的泛化特征提取能力,从而具备对目标影像快速响应的跨域分类能力,避免了以往域内分类方法面对新的待分类影像时的繁琐重复训练问题。

关键词：高光谱影像分类深度学习图像级全卷积神经网络自监督学习跨域分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：