-
公开(公告)号：CN108764316B
公开(公告)日：2022-08-26
申请号：CN201810478613.4
申请日：2018-05-18
申请人： 河海大学
IPC分类号： G06V10/764 , G06V10/82 , G06V10/778 , G06V20/10 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于深度卷积神经网络和多核学习的遥感图像场景分类方法，首先，采用深度卷积神经网络对遥感场景图像进行训练，将学习得到的两个全连接层的输出作为遥感场景图像的特征。其次，利用多核学习训练出适合于两个全连接层特征的核函数，从而将提取得到的两个全连接层特征映射到高维空间，实现它们在高维空间的自适应融合。最后，设计多核学习‑支持向量机分类器，对遥感场景图像进行有效的分类。本发明利用卷积神经网络对遥感图像进行特征提取，学习得到的深度特征涵盖信息完整且具有较强的鉴别性，与此同时，将这些特征融入多核学习框架，能达到良好的分类性能。
-
公开(公告)号：CN111723675B
公开(公告)日：2022-08-16
申请号：CN202010454398.1
申请日：2020-05-26
申请人： 河海大学
摘要： 本发明公开了一种基于多重相似性度量深度学习的遥感图像场景分类方法。首先，利用深度卷积网络对遥感图像场景进行分类训练，将最后一个全连接层的输出作为遥感场景图像的特征。其次，引入深度度量学习的知识，提出了一种新的损失函数，在传统交叉熵损失项的基础上，添加了多重相似性损失项。多重相似性损失项通过将提取到的全连接特征映射到度量距离空间，计算并约束输入图像样本之间的度量距离，从而使网络模型更具区别性，能够对遥感场景图像进行更有效的分类。本发明利用卷积神经网络对遥感图像进行特征提取，学习得到的深度特征涵盖信息完整且具有较强的鉴别性，将这些特征与度量学习结合，能达到良好的分类性能。
-
公开(公告)号：CN110728192A
公开(公告)日：2020-01-24
申请号：CN201910870846.3
申请日：2019-09-16
申请人： 河海大学
摘要： 本发明公开了一种基于新型特征金字塔深度网络的高分遥感图像分类方法。首先，以ResNet34网络模型为基础，设计一个新型深度卷积神经网络；其次，将高分遥感图像输入网络中进行训练，将ResNet34各主要卷积层输出作为后续的输入特征；利用特征金字塔网络对输入特征进行融合形成新的特征；接着，新深层特征和新浅层特征分别融合后作为上下两条支路的输入，支路上分别设计有两个残差块和一个全局平均池化层。上下支路的特征经融合后送入全连接层，经SoftMax层后对遥感图像进行分类。本发明以深度学习理论为基础对高分遥感图像进行特征提取并融合，使每种特征得以增强。新特征再次融合后送入上下两条支路以学习图像级特征，经实验证明提出的方法能实现良好的分类效果。
-
公开(公告)号：CN110287800A
公开(公告)日：2019-09-27
申请号：CN201910455833.X
申请日：2019-05-29
申请人： 河海大学
摘要： 本发明公开了基于SGSE-GAN的遥感图像场景分类方法，首先，针对带标签遥感图像场景数据匮乏导致分类效果欠佳的问题，提出了一种新的显著性引导的对称增强型生成对抗网络(称之为SGSE-GAN)，用于遥感图像数据增强，以生成与原始遥感图像分布极为相似的遥感合成图像；其次，针对小样本带标签原始遥感图像和合成的带标签遥感图像，设计一种改进的深度学习模型I-VGG19，即在经典的深度卷积神经网络VGG19中嵌入若干归一化层，以提升模型训练的速度和特征提取的准确性；最后，将提取得到的深度特征输入到支持向量机分类器中，实现遥感图像的分类。
-
公开(公告)号：CN108764316A
公开(公告)日：2018-11-06
申请号：CN201810478613.4
申请日：2018-05-18
申请人： 河海大学
IPC分类号： G06K9/62
CPC分类号： G06K9/6232 , G06K9/6269 , G06K9/629
摘要： 本发明公开了一种基于深度卷积神经网络和多核学习的遥感图像场景分类方法，首先，采用深度卷积神经网络对遥感场景图像进行训练，将学习得到的两个全连接层的输出作为遥感场景图像的特征。其次，利用多核学习训练出适合于两个全连接层特征的核函数，从而将提取得到的两个全连接层特征映射到高维空间，实现它们在高维空间的自适应融合。最后，设计多核学习‑支持向量机分类器，对遥感场景图像进行有效的分类。本发明利用卷积神经网络对遥感图像进行特征提取，学习得到的深度特征涵盖信息完整且具有较强的鉴别性，与此同时，将这些特征融入多核学习框架，能达到良好的分类性能。
-
-
公开(公告)号：CN111783782B
公开(公告)日：2022-08-05
申请号：CN202010475602.8
申请日：2020-05-29
申请人： 河海大学
摘要： 本发明公开了一种融合改进UNet和SegNet的遥感图像语义分割方法，将批处理规范化加在UNet神经网络的卷积层和激活层中间，采用ELU激活函数代替ReLU激活函数，采用训练二分类的方式分别训练每一个语义分割类别，将各个二分类训练的模型进行合并，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络，融合改进UNet神经网络和改进SegNet神经网络，得到遥感图像语义分割模型，进行语义分割，以提高针对遥感图像进行语义分割的效果。
-
公开(公告)号：CN111126428B
公开(公告)日：2022-08-05
申请号：CN201911062981.1
申请日：2019-10-31
申请人： 河海大学
IPC分类号： G06V10/764 , G06V10/80 , G06V10/50 , G06V10/772 , G06K9/62
摘要： 本发明公开一种基于非局部自相似性的HOG特征和联合稀疏的目标检测方法，首先基于非局部自相似性对方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行改进，生成基于非局部自相似性的HOG特征，解决了传统HOG特征不具备行稀疏特性的问题；其次设计了基于联合稀疏的目标检测和分类器，将改进HOG特征的行稀疏特性在联合稀疏的分类器上得到充分应用；最后利用非极大值抑制算法与softmax算法计算的概率值来抑制目标检测中常出现的重叠现象，有效地减少了重叠检测框的出现，在使用联合稀疏分类器的情况下，相较于传统HOG特征，改进HOG特征有效地提高了目标检测的精度。
-
公开(公告)号：CN111860615A
公开(公告)日：2020-10-30
申请号：CN202010617680.7
申请日：2020-06-30
申请人： 河海大学
摘要： 本发明公开了一种基于特征词典融合的遥感水体目标提取方法。首先，构建遥感水陆场景图像数据训练集，对训练集图像网格化为预设大小的特征提取单位并分别提取局部二值模式(Local Binary Patterns，LBP)特征和频谱特征；接着，对LBP特征集和频谱特征集分别进行K-means聚类，得到基于LBP特征的聚类结果和基于频谱特征的聚类结果，构建基于LBP和频谱特征的融合词典；然后，将训练集图像采用融合词典向量化表示，构成训练特征向量集；最后，输入待识别遥感水陆场景测试图像，根据融合词典将图像分块向量化并分类，统计分类结果，得到遥感水陆场景图像水体提取结果。
-
公开(公告)号：CN111783782A
公开(公告)日：2020-10-16
申请号：CN202010475602.8
申请日：2020-05-29
申请人： 河海大学
摘要： 本发明公开了一种融合改进UNet和SegNet的遥感图像语义分割方法，将批处理规范化加在UNet神经网络的卷积层和激活层中间，采用ELU激活函数代替ReLU激活函数，采用训练二分类的方式分别训练每一个语义分割类别，将各个二分类训练的模型进行合并，在SegNet神经网络的编码过程中，在最大池化操作后，引入SegNet神经网络中前面设定层的结果进行卷积操作，对卷积操作的结果进行阶跃短路连接，以减少SegNet的部分网络层数，得到改进SegNet神经网络，融合改进UNet神经网络和改进SegNet神经网络，得到遥感图像语义分割模型，进行语义分割，以提高针对遥感图像进行语义分割的效果。
-
-
-
-
-
-
-
-
-
搜索结果
58 条记录 (耗时 0.029 秒)