检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多种空间信息的高光谱遥感图像分类方法

中国空间科学技术 2019年第2期39卷 73-81页

作者：刘咏梅马潇门朝光哈尔滨工程大学计算机科学与技术学院哈尔滨150001

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创... 详细信息

在高光谱遥感图像分类方法中,空间特征和光谱特征的融合可以有效地改善分类效果。针对单一空间特征的信息表达不充分问题,提出了一种联合多种空间特征的高光谱图像空谱分类方法。利用超像素信息对分类结果进行后处理去掉椒盐噪声,并创造性地将超像素信息应用于分类前处理,提出了一种利用超像素信息对像素点的特征向量进行线性加权融合的方法。试验结果表明,所提方法的性能优于目前的通常方法。

关键词：高光谱遥感图像分类空间特征光谱特征超像素线性加权融合

基于S^(2)AF-GCN的高光谱遥感图像分类模型

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

激光与光电子学进展 2023年第2期60卷 403-415页

作者：宋海林汪西莉陕西师范大学计算机科学学院陕西西安710119

在高光谱图像分类任务中,图卷积网络能够建模像素或区域间的结构关系和相似性关系。针对利用像素原始光谱特征计算节点相似度构造邻接矩阵不准确的问题,提出基于空间-光谱聚合特征的图卷积网络(S^(2)AF-GCN),用于特征提取和像素级分类... 详细信息

在高光谱图像分类任务中,图卷积网络能够建模像素或区域间的结构关系和相似性关系。针对利用像素原始光谱特征计算节点相似度构造邻接矩阵不准确的问题,提出基于空间-光谱聚合特征的图卷积网络(S^(2)AF-GCN),用于特征提取和像素级分类。以像素的空间位置为中心,聚合像素空间邻域内的其他像素特征,利用聚合后的像素特征动态更新与邻域内其他像素的权重,通过多次聚合,实现区域内像素特征平滑,得到像素的有效特征表示。然后利用聚合特征计算相似度并构图,获得更为准确的邻接矩阵,同时利用聚合特征训练网络,获得更好的分类结果。S^(2)AF-GCN在三个常用高光谱数据集Indian Pines、Pavia University、Kennedy Space Center上利用1%的标记样本取得了85.51%、96.95%、94.92%的总体分类精度。

关键词：图卷积网络聚合特征高光谱遥感图像分类空谱信息

基于稀疏Transformer的高光谱遥感图像分类方法研究

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

基于稀疏Transformer的高光谱遥感图像分类方法研究

作者：余佳佳宁夏大学

学位级别：硕士

卷积神经网络具有强大的图像光谱空间特征提取能力,能够有效捕捉图像中的光谱信息和空间上下文信息,在高光谱遥感图像分类领域中得到了广泛的应用,取得了不错的成果。但CNN通过多层局部卷积的方式提取光谱空间特征,对全局长距离依赖建... 详细信息

卷积神经网络具有强大的图像光谱空间特征提取能力,能够有效捕捉图像中的光谱信息和空间上下文信息,在高光谱遥感图像分类领域中得到了广泛的应用,取得了不错的成果。但CNN通过多层局部卷积的方式提取光谱空间特征,对全局长距离依赖建模不直接,难以捕获图像中跨度较大空间范围的全局依赖关系。为此,Transformer被引入到高光谱分类领域中,利用其多头自注意力机制来捕捉光谱序列中的长距离依赖关系,可以增强模型的表达能力和泛化性。然而,在面向类别不平衡的高光谱遥感图像时,传统的Transformer难以充分训练,同时对局部空间细节信息挖掘存在局限性,面对同谱异物和同物异谱问题时容易错分。针对上述问题,本论文基于稀疏Transformer进行了探索,主要贡献如下:(1)为了解决高光谱像类别不平衡问题,提出了一种双分支稀疏Transformer高光谱遥感图像分类模型,在Transformer中引入稀疏多头自注意力,选择性的关注有利于类别区分的关键特征,减少干扰信息,提升模型表征学习能力。此外在传统稀疏Transformer分支基础上,加入重平衡分支,该分支以反采样数据作为输入,平衡数据分布,提升分类性能,最后引入双分支学习策略融合双分支兼顾表征学习和分类器学习。(2)为了充分提取局部-全局光谱空间信息,缓解同谱异物/同物异谱带来的错分问题,提出了 CNN-Transformer混合特征提取的高光谱遥感图像分类模型。其中,CNN分支主要关注多尺度局部细节信息,并引入Ghost模块以减小计算和内存消耗。而Transformer分支则使用稀疏多头自注意力机制来关注全局信息,并建模光谱长距离依赖,通过这两个分支的多层次多尺度特征互补,该模型能够充分挖掘局部-全局空间信息,缓解同谱异物/同物异谱的错分问题,提高分类精度。(3)设计并实现了基于Transformer的高光谱遥感图像分类系统,并在四套常用公共数据集上验证提出的方法,实现了稳定精确的分类。

关键词：高光谱遥感图像分类多尺度特征稀疏自注意力深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度残差网络的高光谱遥感图像分类研究

基于深度残差网络的高光谱遥感图像分类研究

作者：肖博林重庆交通大学

学位级别：硕士

高光谱遥感技术的蓬勃发展,弥补了之前多光谱遥感技术波段少和间隔宽的缺陷,可以探测到地物更加细节的特征,可以说是遥感技术发展的一个重要里程碑。高光谱遥感图像具有“图谱合一”的特性以及越来越高的光谱分辨率,在地物识别和分类中... 详细信息

高光谱遥感技术的蓬勃发展,弥补了之前多光谱遥感技术波段少和间隔宽的缺陷,可以探测到地物更加细节的特征,可以说是遥感技术发展的一个重要里程碑。高光谱遥感图像具有“图谱合一”的特性以及越来越高的光谱分辨率,在地物识别和分类中显示出极大的优势,对高光谱遥感图像分类成为获取其地物信息的主要途径。因此,在现有的研究基础上,找到更好的分类方法以及有效提高分类精度成为了研究者们努力追寻的目标。针对高光谱遥感图像数据量大、标记样本少的特点,以及传统图像降维与分类算法复杂、仅提取光谱信息而忽略空间信息等不足,论文基于深度学习端到端的工作机制,探讨了基于卷积神经网络模型的高光谱遥感图像分类算法。论文的主要研究内容如下:针对二维卷积神经网络（2D-CNN）进行高光谱遥感图像分类时光谱信息损失,且不能同时提取光谱和空间特征的缺点;考虑到三维卷积神经网络（3D-CNN）不需进行额外的波段降维处理,直接采用3D卷积核同步提取高光谱遥感图像的光谱特征和空间特征,能充分利用高光谱遥感图像“图谱合一”三维特点的优势;本文利用3D-CNN进行了高光谱遥感图像地物分类研究,取得了比2D-CNN更好的分类效果,在分类精度上提高了一到两个百分点。另外,相比传统图像分类方法,训练过程中不需要任何预处理和后处理的工作,可以直接对原始高光谱遥感图像三维立方体进行处理,真正实现了图像的自动分类,从而提高了运算效率。此外,还讨论了不同网络深度对于网络分类性能的影响,验证了“网络退化”问题,为进一步引入残差学习奠定了基础。针对网络模型在训练过程中伴随深度增加可能出现的网络退化问题,本文基于残差学习原理,构建了基于高光谱遥感图像分类的深度残差网络。在3D-CNN的基础上引入残差结构,并适当增加网络深度,使用两种形式的3D卷积核进行光谱特征和空间特征的提取,有效提高了地物识别的准确率。残差结构包括光谱残差模块和空间残差模块,可以分别且连续地学习光谱和空间特征,并且残差模块中将信息沿着“跳跃连接”结构传输的方式在一定程度上保护了信息的完整性,更有利于提取到判别性强的特征。相比3D-CNN,在增加网络深度的同时缓解了网络退化问题,从而进一步提高分类精度。所设计网络模型在三类公开标记的数据集上进行了验证实验,结果表明,3D-CNN可以有效利用联合空谱特征提供的语义信息,用来处理高光谱遥感图像三维数据是最有效的;基于残差学习原理的深度残差网络在增加网络深度的同时优化了网络性能,在3D-CNN的基础上实现了分类精度的再次提高。

关键词：高光谱遥感图像分类三维卷积神经网络残差网络特征提取网络退化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

小样本高光谱遥感图像分类方法研究

小样本高光谱遥感图像分类方法研究

作者：赵茹齐鲁工业大学

学位级别：硕士

近年来,高光谱成像技术的迅速发展使遥感图像从多光谱转向高光谱,生成包含光谱空间信息的三维数据立方体,因此高光谱图像（Hyperspectral Remote Sensing Image,HSI）被广泛应用于各个领域。如今深度学习（Deep Learn,DL）技术的突飞猛... 详细信息

近年来,高光谱成像技术的迅速发展使遥感图像从多光谱转向高光谱,生成包含光谱空间信息的三维数据立方体,因此高光谱图像（Hyperspectral Remote Sensing Image,HSI）被广泛应用于各个领域。如今深度学习（Deep Learn,DL）技术的突飞猛进,能够实现端到端自动提取特征、具有较强的适应和泛化能力等,因而许多研究者将深度学习中的一些方法引入到高光谱遥感图像领域。在DL中卷积神经网络（Convolutional Neural Networks,CNN）具有显著优势,如局部连接提取特征和共享权值减小参数量,因此被成功应用于高光谱遥感图像分类。然而,高光谱遥感图像目前存在光谱数量众多,小样本导致训练样本不充足等问题,严重影响了分类精度。因此,针对高光谱遥感图像存在小样本问题,课题以CNN框架为基础研究在小样本下的高光谱遥感图像分类。针对上述问题,本文主要研究内容如下:1.针对小样本特征提取受限制,难以捕获数据中的关键特征问题。本文采用多尺度模块输入,构建并行多尺度多通道3D-CNN网络模型（MSMCN）。在预处理阶段,将数据划分为两个尺度分别是X×X和X×X像素模块,分别采用并行多通道获取相关特征,在每个通道中使用3D核作为特征提取器,最后将并行多通道输出特征图输入到全连接层,通过Softmax回归分类器进行各地物分类,取得了优秀的分类效果。2.为了更加关注在小样本图像的空间域和光谱域信息,本文从改进MSMCN模型出发,引入了通道-空间注意力机制模块进行卷积特征细化,提出一种引入注意力机制模块的多尺度多通道3D-CNN网络模型（CSAM-MSMCN）。通过该模型实现对高光谱像元更深层次的空谱特征提取,以更好的进行HSI小样本分类。在原模型（MSMCN）基础上减少交叠卷积层,有效改善网格退化问题,提高了高光谱图像分类的分类精度。3.针对小样本特征属性不够明确,导致对小样本类别特征提取存在局限性问题,本文提出一种基于深度卷积生成式对抗网络（Deep Generative Adversarial Network,DCGAN）对小样本地物类别实现数据增强,将扩增后数据导入到CSAM-MSMCN模型中,构建小样本下基于DCGAN模型数据增强的高光谱遥感图像分类方法（DCGA-CSAM-MSMCN）,以更有效地解决小样本地物类别分类精度低的问题。

关键词：高光谱遥感图像分类三维卷积神经网络多尺度多通道通道-空间注意力机制深度卷积生成式对抗网络

基于3D CNN的高光谱遥感图像分类方法及可解释性研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于3D CNN的高光谱遥感图像分类方法及可解释性研究

作者：尚卓西安理工大学

学位级别：硕士

高光谱遥感图像具有高光谱分辨率、高空间分辨率和“图谱合一”的特点,在环境保护、精准农业、海洋监测等领域得到广泛应用。高光谱图像分类是上述应用领域的关键技术和研究热点之一。高光谱遥感图像具有波段多、相关或相邻波段间信息... 详细信息

高光谱遥感图像具有高光谱分辨率、高空间分辨率和“图谱合一”的特点,在环境保护、精准农业、海洋监测等领域得到广泛应用。高光谱图像分类是上述应用领域的关键技术和研究热点之一。高光谱遥感图像具有波段多、相关或相邻波段间信息严重冗余、有效标记样本少的特点,使得高光谱图像分类任务面临严峻挑战。传统分类方法无法挖掘高光谱遥感图像的深层和隐藏特征,导致分类方法性能较差,难以解决小样本分类问题。3D卷积神经网络(3D Convolution,3D CNN)具有优秀的深层和隐藏特征提取能力,能够深入挖掘高光谱遥感图像的空谱特征,有效推动了高光谱遥感图像分类方法的发展。面向高光谱遥感图像分类的诸多问题,本文提出了两种基于3D CNN的分类网络模型,通过提取更具判别性的空谱特征实现了地物精确识别。此外,针对卷积神经网络模型的“黑盒”问题,探索了高光谱遥感图像分类网络模型的可解释性。主要的研究内容概括如下:针对高光谱遥感图像波段间信息冗余严重,样本标记数量不足的问题,本文提出了基于多尺度3D卷积神经网络的高光谱遥感图像分类方法,旨在深入挖掘高光谱遥感图像的多尺度空谱特征信息,进而提高方法的分类精度。首先,对数据集进行预处理,通过主成分分析方法对原始高光谱遥感图像进行降维处理,旨在实现维数约简与冗余特征消除。其次,构建了多尺度3D CNN模型。该模型由三层多尺度网络构成:联合空谱特征提取层、空间特征提取层、光谱特征提取层。最后,实现网络模型训练,并测试所学习网络模型的性能。本实验选择PU、KSC、IP和SA四个常用高光谱遥感图像数据集,并从主观分析和客观评价两个角度与四种分类方法进行了性能对比。实验结果证明所提分类方法在小样本高光谱分类上具有较好的性能。考虑到高光谱遥感图像的深度全局语义特征和局部细节特征,结合残差网络和Inception网络的优点,本文提出了一种基于多级多分支3D CNN的高光谱遥感图像分类模型。首先,利用PCA对高光谱数据进行维数约简。其次,构建了多级多分支3D CNN分类模型,主要包含残差网络模块、改进Inception模块和非线性模块。该模型通过改进Inception中的多尺度卷积为多个非对称卷积,增强网络的特征提取能力。模型中残差网络的加入,使得输入恒等传递至网络中间层中,避免梯度消失。非线性网络的使用,增强了模型的非线性表达能力。最后,利用PU、KSC、IP和SA高光谱遥感图像数据分别学习网络模型并测试模型性能。实验结果证明,与四种分类算法相比,本方法从主观分析和客观评价两个角度具有更优秀的分类性能。针对深度神经网络可解释性差的问题,本文从波段选择和特征可视化的角度,对所提分类模型进行了可解释性分析。首先,以5个和10个相邻波段为一组对高光谱遥感图像波段进行遮挡。通过这种策略,验证了不同相邻波段组对各种地物类别分类准确率的影响。其次,利用PCA和TSNE两种算法,对原始数据和经过模型后学到的空谱特征进行降维可视化,直观地显示了网络模型所学特征具有更好的可分性,进而证明了所提方法的有效性。

关键词： 3D CNN 高光谱遥感图像分类空谱特征特征可视化数据降维

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

开集高光谱遥感图像分类方法研究

开集高光谱遥感图像分类方法研究

作者：赵英燕山大学

学位级别：硕士

高光谱遥感图像具有丰富的光谱信息,在环境、军事、航天系统等领域有着广泛的应用,而且高光谱遥感图像分类是高光谱图像分析、理解和应用的一个重要步骤。然而现有基于闭集分类场景的研究,忽略了现实情况中存在的未知类,使得模型在现实... 详细信息

高光谱遥感图像具有丰富的光谱信息,在环境、军事、航天系统等领域有着广泛的应用,而且高光谱遥感图像分类是高光谱图像分析、理解和应用的一个重要步骤。然而现有基于闭集分类场景的研究,忽略了现实情况中存在的未知类,使得模型在现实场景应用中实际分类精度大幅降低。针对目前开集高光谱图像分类的不足之处,基于深度学习方法从三个方面对高光谱图像的开集分类问题进行研究。现有的开集高光谱图像分类方法主要关注一阶统计特征,很少关注二阶及高阶统计特征,针对现有的开集高光谱图像分类算法的不足之处,设计联合二阶池化注意力神经网络和K-Sigma的开集分类模型。通过具有空间注意力的二阶池化模块对输入图像进行特征提取,同时设计对已知类和未知类进行区分的开集高光谱图像分类方法,提高开集场景下高光谱遥感图像分类的精度。针对现有残差网络在高光谱开集分类研究中提取每个网络层感受野范围方面的局限性问题,设计多尺度骨干残差特征融合网络开集高光谱图像分类模型,多尺度骨干残差编码器模块的输出包含多种大小、尺度和数量的感受野,使卷积层表达多尺度特征,同时子集之间的连接操作能得到更大的感受野,更有效地处理特征图信息,进而提高开集高光谱图像的分类精度。针对卷积神经网络模型在开集高光谱图像分类中通常会生成大量的特征,导致高度冗余影响分类效果的问题,设计重建混合链路网络开集高光谱图像分类模型。编码器模块中的混合链路网络在特征提取过程中能在一定程度上减轻特征冗余,从高光谱图像中提取更具判别性的特征,进而提高开集高光谱图像的分类的精度。

关键词：高光谱遥感图像分类深度神经网络开集分类重建网络多任务分类网络

基于有限监督信息的高光谱遥感图像分类算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于有限监督信息的高光谱遥感图像分类算法研究

作者：孙立伟上海大学

学位级别：硕士

高光谱遥感图像分类任务旨在对地表目标进行精确识别和分类,被广泛用于地质探测、农业分析等领域。由于标注成本高昂且需要相应专家知识,研究基于有限标注像元的高光谱图像分类任务有助于推动高光谱技术的应用。在有限的监督信息下,高... 详细信息

高光谱遥感图像分类任务旨在对地表目标进行精确识别和分类,被广泛用于地质探测、农业分析等领域。由于标注成本高昂且需要相应专家知识,研究基于有限标注像元的高光谱图像分类任务有助于推动高光谱技术的应用。在有限的监督信息下,高光谱图像分类面临多重挑战,包括高维特征引发的“休斯”现象,以及“同物异谱”和“异物同谱”。此外,大量无标注像元未被充分利用,极大限制了模型的学习能力。针对上述问题,本文的研究内容如下:1、针对有限监督信息下,较为严重的“休斯”现象使得基于数据驱动的方法易过拟合的问题,本文通过生成对抗的方式来达到扩充样本空间、提高模型泛化能力的目的。依据高光谱图像空谱合一的特性,提出了一个双通道特征判别框架,以提升分类特征的判别性。实验表明,相较于前沿主流分类模型,提出的基于双通道特征融合的生成对抗网络取得了整体最佳的性能。2、为提升模型特征判别能力,缓解有限标注像元下加剧的“同物异谱”和“异物同谱”问题,本文提出了基于小波变换的视觉Transformer分类网络。通过引入离散小波模块,剔除了冗余信息,解决了维度灾难的问题并提升了细粒度特征的判别性。此外,本文还设计了用于Transformer的跳跃连接模块,有效抑制梯度消失的问题。实验表明,该方法取得了更优异的分类效果。3、针对大量无标注像元未得到充分利用的问题,本文提出了一种基于通用视觉分割大模型的半监督分类方法。在自训练学习的框架下,依据高光谱图像图谱合一及像元的标签语义在局部空间分布上呈一致性的特点,结合SAM分割模型,制定了伪标签筛选策略,来降低错误的伪标签在标注空间中扩散的概率。此外,考虑到近年来高光谱图像空间分辨率逐步提高的现状,本文自主采集并标注了一个高空间分辨率的分类数据集。实验表明,提出的半监督分类方法能够在空间分辨率较高的高光谱图像上进一步提升分类网络的性能。

关键词：高光谱遥感图像分类生成对抗网络视觉Transformer网络通用视觉大模型半监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的高光谱遥感图像分类算法研究

基于深度学习的高光谱遥感图像分类算法研究

作者：胥萌沈阳航空航天大学

学位级别：硕士

高光谱图像(Hyperspectral Image,HSI)分类是当前遥感领域研究的热点问题。由于高光谱数据本身具有复杂特性,传统的分类方法很难实现对这种高维度数据的准确分类。深度学习作为一种高效的特征提取方法,能够高效地处理高光谱遥感图像的... 详细信息

高光谱图像(Hyperspectral Image,HSI)分类是当前遥感领域研究的热点问题。由于高光谱数据本身具有复杂特性,传统的分类方法很难实现对这种高维度数据的准确分类。深度学习作为一种高效的特征提取方法,能够高效地处理高光谱遥感图像的非线性问题,在HSI分类中有着广阔的应用前景。但是,现有的神经网络模型并没有充分挖掘出图像所蕴含的特征信息,且在标记样本较少的情况下存在着计算量大,分类精度不够高的问题。针对上述问题,本文在深度学习网络的基础上,结合混合卷积神经网络、多尺度多分支结构以及剪枝结构等,在提升高光谱图像分类精度的同时也降低了模型的复杂性。本文的主要研究工作如下:(1)为了提高小样本条件下高光谱图像的分类精度,本文提出了一个基于混合卷积网络的多尺度多分支网络框架(MSMBN)。该网络能够充分利用HSI中的光谱信息和空间信息,通过不同尺寸的卷积核提取更加丰富的特征信息。由于多分支结构在处理小样本数据方面具有独特的优势,该框架使用多尺度多分支结构代替普通的单层卷积。在训练阶段,多分支部分利用非对称卷积的特点,通过不同感受野提取更深层的特征信息,从而有效地提高了模型的分类精度。在测试阶段,多分支部分转换成一个卷积层用于测试,不额外增加网络的参数量。实验结果表明,针对HSI小样本分类问题,MSMBN能够达到更高的分类精度。(2)为了削减模型大小,使模型更加轻量,本文提出了一种轻量化剪枝多尺度多分支混合卷积网络(PMSMBN)。该网络包含两个全新的模块,每个模块都包含多分支部分和剪枝部分。其中,剪枝部分可以在不影响多分支部分学习的基础上去除不重要的参数,实现模型的轻量化。此外,该模型在特征提取后采用三个连续的卷积核一次性预测整张图像的像素点,削减了测试阶段的时间。实验结果表明,该模型在削减模型大小的同时得到了良好的分类精度,证明了该模型的有效性。

关键词：高光谱遥感图像分类深度学习空谱联合特征多尺度多分支剪枝