融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

深度学习在电力领域的研究现状与展望

深度学习技术,近年来已经广受学术界和工业界的关注,已在图像处理及分类,自然语言处理和生物医疗领域中取得卓越成果.对于存在大量高维度数据的电力领域,引入深度学习的理论具有一定的意义.介绍了深度学习的几个经典模型结构、工作原理,以及相关领域的部分研究成果,并围绕深度学习在电力领域中的研究现状展开了论述,指出了存在的不足和未来研究的方向.     

基于深度学习的地基云分类技术研究进展

深度学习的自动学习特征和精确的预测能力使其在地基云分类上获得成功,更复杂更优良的深度学习网络在地基云分类领域得到研究和应用.近两年来一些大规模地基云分类数据集被公布,但还没有文献对这些大数据集进行完整地介绍和使用.本文对深度学习地基云分类领域最新的研究进展进行了详细的概括,并介绍了最新发布的国际标准大规模数据集,最后对几种经典的卷积神经网络深度学习模型在地基云分类上的性能进行了评估,验证了卷积神经网络在地基云分类领域的适用性.     

SVM在高光谱图像处理中的应用综述

高光谱遥感已经成为遥感领域的前沿技术,在军事以及国民经济中发挥着重要作用。支持向量机(support vector machine,SVM)在解决小样本、非线性和高维模式等问题中具有特有的优势,因而被广泛用于高光谱数据处理。在高光谱图像的波段选择、分类、端元选择、光谱解混及亚像元定位、异常检测等主要领域,SVM模型皆因其特性而表现出独特优势并已广泛应用。分析了高光谱图像特性,总结了当前各领域的发展现状及主要的处理方法,并对SVM方法在各领域中的应用及优势进行了阐述。     

小样本下基于空谱特征增强的高光谱图像分类

针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法.该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征.同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构...     

一种轻量级的高光谱遥感图像分类方法

智慧农业已成为当今世界现代农业发展的大趋势, 其中低空无人机遥感图像分析是现代精准农业的重点研究方向, 它通过对无人机拍摄的高光谱遥感图像进行学习, 来指导无人机进行精准作业。然而, 中小型农场在发展智慧农场的过程中存在设备资源不足的弊端, 因此本文提出了一种基于卷积神经网络的轻量级高光谱遥感图像分类方法, 旨在保证较高分类精度的同时降低模型训练成本, 从而帮助中小型农场避免更换昂贵的高性能设备, 降低运营成本。本文方法使用主成分分析、数据扩增等数据预处理方法对高光谱遥感图像进行降维以及样本扩充, 引入空谱联合特征提高分类精度, 并对卷积神经网络结构进行优化加速了网络的训练过程。最后, 通过在3个中小规模的基准数据集上进行实验, 并与一些经典的传统分类方法以及深度学习方法进行对比, 结果表明本方法能够保证较好的分类效果, 同时减少网络训练的成本。     

基于滤波后处理的主动学习高光谱遥感图像分类

有限的样本数据和高维的特征向量使得高光谱图像分类面临巨大挑战.提出一种结合主动学习和滤波器的高光谱遥感图像分类方法.该方法首先选取部分训练样本得到分类模型,然后采用主动学习通过迭代从非训练样本中选择信息量大的样本不断扩大有效样本数,减少了初始训练样本数降低"维数灾难"出现的可能,同时提高了分类器的泛化性能及准确率.通过主动学习和多项逻辑回归分类器对高光谱遥感图像进行初始分类,然后运用滤波器对初始分类结果保边去噪.实验结果表明,本文方法的分类精度高,分类稳定性好.     

空间约束半监督高斯过程下的高光谱图像分类

针对高光谱遥感图像分类中带标记训练样本较少、导致分类正确率偏低的问题,提出用于高光谱图像分类的空间约束半监督高斯过程方法.由于高光谱图像的特征空间满足流形分布假设,大量未标记样本可以使数据空间变得更加稠密,从而有助于更加准确地刻画局部空间特性,提高分类的精度和普适性.通过对高斯过程模型中的核函数施加空间近邻约束,建立未标记样本与带标记样本之间的空间联系.该半监督高斯过程分类器不仅可以提升高光谱遥感图像的分类性能,而且构造简单,实现方便.实验结果表明,在仅有少量带标记的训练样本情况下,半监督高斯过程分类方法对高光谱图像有较高的分类精度和稳定性.     

基于深度学习的服装图案刺绣风格化设计探析

为了将基于深度学习的图像风格迁移技术引入纺织服装中刺绣元素设计领域，拓展刺绣在服装中的创 新思路和表现形式，本文利用 DIN 算法进行服装图案风格迁移处理，将图像风格化处理技术应用到服装图案设 计中，对服装图案进行图案刺绣风格化处理，在实现服装图案的刺绣化效果的同时减少人力物力的投入。与基 于 AdaIN 算法的图像风格化处理相比，较好的保留了原图的结构且更显自然，验证了该方法的有效性。研究认 为 DIN 算法在服装图案刺绣风格化处理上具有一定可行性，可利用图像风格迁移技术更好的实现刺绣在服装设 计中的应用与研究。