-
公开(公告)号：CN113723570A
公开(公告)日：2021-11-30
申请号：CN202111193355.3
申请日：2021-10-13
申请人： 齐齐哈尔大学
摘要： 基于自补偿卷积神经网络的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有方法无法实现模型分类精度和运行速度的均衡，不能使分类精度和运行速度同时达到最优的问题。过程为：步骤一、采集高光谱图像数据集和相对应的标签向量数据集；步骤二、建立自补偿卷积神经网络；步骤三、将高光谱图像数据集和相对应的标签向量数据集输入到建立的自补偿卷积神经网络中，进行迭代优化，得到最优自补偿卷积神经网络；步骤四、向最优自补偿卷积神经网络中输入待测高光谱图像进行分类结果预测。本发明用于遥感场景图像分类领域。
-
公开(公告)号：CN114005003B
公开(公告)日：2024-07-12
申请号：CN202111502098.7
申请日：2021-12-09
申请人： 齐齐哈尔大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/10
摘要： 基于通道多分组融合的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有通道融合中通道分组都是使用单一的分组形式，导致特征的提取准确率低的问题。过程为：步骤一、获取高光谱图像；步骤二、建立基于通道多分组融合的轻量级卷积神经网络模型；步骤三、将高光谱图像输入建立的基于通道多分组融合的轻量级卷积神经网络模型进行训练，得到训练好的基于通道多分组融合的轻量级卷积神经网络模型；步骤四、将待测高光谱图像输入练好的基于通道多分组融合的轻量级卷积神经网络模型得到分类结果。本发明用于遥感场景图像分类领域。
-
公开(公告)号：CN114005003A
公开(公告)日：2022-02-01
申请号：CN202111502098.7
申请日：2021-12-09
申请人： 齐齐哈尔大学
IPC分类号： G06V10/764 , G06V10/774 , G06V10/80 , G06V30/19 , G06K9/62 , G06V20/10
摘要： 基于通道多分组融合的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有通道融合中通道分组都是使用单一的分组形式，导致特征的提取准确率低的问题。过程为：步骤一、获取高光谱图像；步骤二、建立基于通道多分组融合的轻量级卷积神经网络模型；步骤三、将高光谱图像输入建立的基于通道多分组融合的轻量级卷积神经网络模型进行训练，得到训练好的基于通道多分组融合的轻量级卷积神经网络模型；步骤四、将待测高光谱图像输入练好的基于通道多分组融合的轻量级卷积神经网络模型得到分类结果。本发明用于遥感场景图像分类领域。
-
公开(公告)号：CN113705718A
公开(公告)日：2021-11-26
申请号：CN202111037856.2
申请日：2021-09-06
申请人： 齐齐哈尔大学
摘要： 基于多层次特征密集融合的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有高光谱图像提取的过程中，由于高光谱图像的高维特性以及小训练样本的情况，导致高光谱图像分类准确率低的问题。过程为：步骤一、采集高光谱图像数据集X和相对应的标签向量数据集Y；步骤二、建立基于双分支多层次特征密集融合的轻量级卷积神经网络BMDF‑LCNN；步骤三、得到最优网络BMDF‑LCNN；步骤四、向最优网络BMDF‑LCNN中输入待测高光谱图像进行分类结果预测。本发明用于图像分类领域。
-
公开(公告)号：CN113935433B
公开(公告)日：2024-06-14
申请号：CN202111290378.6
申请日：2021-11-02
申请人： 齐齐哈尔大学
IPC分类号： G06V10/764 , G06V10/774 , G06V20/13 , G06V10/82 , G06N3/0464 , G06N3/08
摘要： 基于深度光谱空间倒残差网络的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像数据集中标记样本有限，并实现光谱空间特征的有效提取的问题。过程为：步骤一、获取高光谱图像#imgabs0#步骤二、建立DSSIR模型；步骤三、将训练集输入DSSIR模型对DSSIR模型进行训练，得到DSSIR模型的初始参数，经过验证集验证不断更新参数，直到获得最优参数；步骤四、将测试集输入最优模型得到最终预测结果。本发明用于高光谱图像分类领域。
-
公开(公告)号：CN113705718B
公开(公告)日：2024-04-02
申请号：CN202111037856.2
申请日：2021-09-06
申请人： 齐齐哈尔大学
IPC分类号： G06F30/27
摘要： 基于多层次特征密集融合的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有高光谱图像提取的过程中，由于高光谱图像的高维特性以及小训练样本的情况，导致高光谱图像分类准确率低的问题。过程为：步骤一、采集高光谱图像数据集X和相对应的标签向量数据集Y；步骤二、建立基于双分支多层次特征密集融合的轻量级卷积神经网络BMDF‑LCNN；步骤三、得到最优网络BMDF‑LCNN；步骤四、向最优网络BMDF‑LCNN中输入待测高光谱图像进行分类结果预测。本发明用于图像分类领域。
-
公开(公告)号：CN115546654A
公开(公告)日：2022-12-30
申请号：CN202111528163.3
申请日：2021-12-14
申请人： 齐齐哈尔大学
IPC分类号： G06V20/13 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 基于分组混合注意力的遥感场景图像分类方法，本发明涉及遥感场景图像分类方法。本发明的目的是为了解决现有方法虽然在遥感场景图像分类中引入注意模块可以提高模型的性能，但直接引入注意模块会增加模型的参数和计算量，导致模型运算速度较慢的问题。过程为：一、获取高光谱图像；二、建立基于混合注意力的轻量级卷积神经网络模型，包括输入层、第一卷积层、第二卷积层、第一至第六通道分组混合注意力模块、全局平均池化、全连接层、SoftMax函数；所述每个通道分组混合注意力模块包括通道注意力模块和空间注意力模块；三、得到训练好的神经网络模型；四、将待测图像输入练好的神经网络模型得到分类结果。本发明用于图像分类领域。
-
公开(公告)号：CN113935433A
公开(公告)日：2022-01-14
申请号：CN202111290378.6
申请日：2021-11-02
申请人： 齐齐哈尔大学
IPC分类号： G06K9/62 , G06V10/764 , G06V10/774 , G06V20/13 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 基于深度光谱空间倒残差网络的高光谱图像分类方法，本发明涉及高光谱图像分类方法。本发明的目的是为了解决现有高光谱图像数据集中标记样本有限，并实现光谱空间特征的有效提取的问题。过程为：步骤一、获取高光谱图像步骤二、建立DSSIR模型；步骤三、将训练集输入DSSIR模型对DSSIR模型进行训练，得到DSSIR模型的初始参数，经过验证集验证不断更新参数，直到获得最优参数；步骤四、将测试集输入最优模型得到最终预测结果。本发明用于高光谱图像分类领域。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.027 秒)
