基于多尺度近端特征拼接网络的高光谱图像分类方法

针对基于传统卷积神经网络模型的高光谱图像分类算法细节表现力不强及网络结构过于复杂的问题,设计了一种基于多尺度近端特征拼接网络的高光谱图像分类方法.通过引入多尺度滤波器和空洞卷积,在保持模型轻量化的同时可以获取更丰富的空间-光谱判别特征,并提出利用卷积神经网络近端特征间的相互联系进一步增强细节表现力.在3个基准高光谱图像...     

一种融合Gabor滤波与3D/2D卷积的高光谱图像分类算法

为了减轻卷积神经网络模型对训练样本的依赖性 和提高高光谱图像的分类性能,本 文提出了一种融合Gabor滤波与3D/2D卷积的高光谱图像分类算法。首先,三维Gabor滤 波器用于处理原始高光谱数据以生成空谱隧道信息;其次,利用三维卷积操作提取生成的 空谱隧道信息的深层特征;然后,再利用二维卷积进一步提取图像的空间信息;最后,通 过Softmax分类器完成高光谱图像分类。为验证模型性能,将提出的方法与CNN、2D- CNN、3D-CNN-LR、SSRN算法在Indian Pines、Pavia University、Salinas数据集上进行 对 比实验。实验结果表明,提出的方法在三个数据集上的总体识别精度分别达到99.51%、99.94%、99.99%,均高于其 他方法,能够有效提高分类性能,是一种简单而高效的高光谱图像分类算法。     

3维卷积递归神经网络的高光谱图像分类方法

为了针对高光谱图像中空间信息与光谱信息的不同特性进行特征提取，提出一种3维卷积递归神经网络(3-D-CRNN)的高光谱图像分类方法。首先采用3维卷积神经网络提取目标像元的局部空间特征信息，然后利用双向循环神经网络对融合了局部空间信息的光谱数据进行训练，提取空谱联合特征，最后使用Softmax损失函数训练分类器实现分类。3-D-CRNN模型无需对高光谱图像进行复杂的预处理和后处理，可以实现端到端的训练，并且能够充分提取空间与光谱数据中的语义信息。结果表明，与其它基于深度学习的分类方法相比，本文中的方法在Pavia University与Indian Pines数据集上分别取得了99.94%和98.81%的总体分类精度，有效地提高了高光谱图像的分类精度与分类效果。该方法对高光谱图像的特征提取具有一定的启发意义。     

基于特征重要性的高光谱图像分类

为了减少高光谱图像中的冗余以及进一步挖掘潜在的分类信息,本文提出了一种基于特征重要性的卷积神经网络（convolutional neural networks,CNN）分类模型。首先,利用贝叶斯优化训练得到的随机森林模型（random forest,RF）对高光谱遥感图像进行特征重要性评估;其次,依据评估结果选择合适数目的高光谱图像波段,以作为新的训练样本;最后,利用三维卷积神经网络对所得样本进行特征提取并分类。基于两个实测的高光谱遥感图像数据,实验结果均表明:相比原始光谱信息直接采用支持向量机（support vector machine,SVM）和卷积神经网络的分类效果,本文所提基于特征重要性的高光谱分类模型能够在降维的同时有效提高高光谱图像的分类精度。     

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于卷积神经网络的高光谱图像重建方法

为了提高高光谱图像的成像质量，满足应用需求，提出基于卷积神经网络的高光谱图像重建方法研究。通过预处理方式消除高光谱图像中的暗电流信息与噪声数据，以此为基础，获取高光谱图像SIFT特征，选择高光谱图像最优波段，最大限度地保留高光谱图像的波段特征，有效融合卷积神经网络构建高光谱图像重建模型，将最优波段高光谱图像数据输入至构建模型中，输出结果即为高光谱图像重建结果。实验数据显示：应用提出方法获得的评价指标MSE最小值为6,评价指标Q最大值为6.8,PSNR与SSIM最大值分别为40.349 dB与0.964 4,充分证实提出方法高光谱图像重建质量较佳。     

多特征融合下的高光谱图像混合卷积分类

针对现有高光谱遥感图像卷积神经网络分类算法空谱特征利用率不足的问题,提出一种多特征融合下基于混合卷积胶囊网络的高光谱图像分类策略。首先,联合使用主成分分析和非负矩阵分解对高光谱数据集进行降维;然后,将降维所得主成分通过超像素分割和余弦聚类生成一个多维特征集;最后,将叠加后的特征集通过二维、三维多尺度混合卷积网络进行空谱特征提取,并使用胶囊网络对其进行分类。通过在不同高光谱数据集下的实验结果表明,在相同20维光谱维度下,所提策略相比于传统分类策略在总体精度、平均精度以及Kappa系数上均有明显提升。     

基于MSRA初始化卷积神经网络的草地牧草分类研究

草地牧草的分类与识别是草原研究与监测的重要环节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判断,为实现草地牧草自动分类与数字化治理提供了新的途径.本文提出了基于MSRA初始化卷积神经网络的草地牧草高光谱图像自动识别与分类的方法.主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节,首先预处理采用改进的自适应...     

基于卷积神经网络的图像分类算法综述

随着大数据的到来以及计算能力的提高,深度学习(Deep Learning, DL)席卷全球。传统的图像分类方法难以处理庞大的图像数据以及无法满足人们对图像分类精度和速度上的要求,基于卷积神经网络(Convolutional Neural Network, CNN)的图像分类方法冲破了传统图像分类方法的瓶颈,成为目前图像分类的主流算法,如何有效利用卷积神经网络来进行图像分类成为国内外计算机视觉领域研究的热点。本文在对卷积神经网络进行系统的研究并且深入研究卷积神经网络在图像处理中的应用后,给出了基于卷积神经网络的图像分类所采用的主流结构模型、优缺点、时间/空间复杂度、模型训练过程中可能遇到的问题和相应的解决方案,与此同时也对基于深度学习的图像分类拓展模型的生成式对抗网络和胶囊网络进行介绍;然后通过仿真实验验证了在图像分类精度上,基于卷积神经网络的图像分类方法优于传统图像分类方法,同时综合比较了目前较为流行的卷积神经网络模型之间的性能差异并进一步验证了各种模型的优缺点;最后对于过拟合问题、数据集构建方法、生成式对抗网络及胶囊网络性能进行相关实验及分析。      

基于多尺度混合卷积网络的高光谱图像分类

针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题，提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先，使用主成分分析对高光谱数据进行降维处理；接着，利用邻域提取将邻域内的像素点作为一个样本，补充相应的空间信息；然后，使用多尺度混合卷积网络对预处理后的样本数据进行特征提取，并加入混合域注意力机制来加强空间和光谱维中有用的信息；最后，使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验，其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息，与其他分类方法相比取得了更好的分类效果。     

基于多特征融合和混合卷积网络的高光谱图像分类

针对三维卷积网络在训练样本较少时对高光谱图像的分类精度不理想问题,提出了一种高效的基于多特征融合和混合卷积网络的分类模型.首先,对高光谱图像进行降维处理后用三维卷积层提取深层空谱联合特征.然后,引入残差连接并通过特征图连接和逐像素相加进行多特征融合,实现特征重用、增强信息传递.最后,用二维卷积层对提取的特征进行空间信息...     

结合三维卷积神经网络和Haar小波滤波器的高光谱猕猴桃品质分类

针对猕猴桃硬度品质无损检测分类困难的问题，提出了结合高光谱成像技术和卷积神经网络的分类模型。该模型融合Haar小波核提取的空间特征信息和三维卷积核提取的空谱联合信息，采用分解数据通道连接的方式确保所有特征能够流到模型末尾，提升了网络特征提取的能力。通过自制的猕猴桃硬度品质Kiwi＿seed数据集上的实验表明，Haar小波变换模块可以显著提升网络的特征提取能力；通过消融实验表明，在增加Haar小波变换模块后模型的分类准确率提升了7.4%，最优可达97.3%，优于经典的图像分类网络，可以很好地解决猕猴桃硬度品质的无损检测分类问题。     

基于大数据驱动的高光谱信号异常检测研究

研究基于大数据驱动的高光谱信号异常检测方法，提高异常检测准确度。采用K-means算法聚类处理高光谱信号，引入聚类有效性指标优化处理，利用基于哈尔小波的离散小波变换多分辨率模型分解高光谱信号，通过低频信号获取高光谱信号光谱波形特征，通过局部过零点确定吸收峰，完成光谱特征的提取，将各光谱特征输入到卷积神经网络，实现高光谱信号的异常检测。实验结果表明：该方法可分解高光谱信号，当分解层数为3时，光谱特征提取效果最佳，高光谱信号异常检测准确度为90%左右，检测时间为0.2 s,可准确检测异常高光谱信号。     

基于注意力机制辅助的空谱联合残差网络的高光谱图像分类

卷积神经网络（convolutional neural network,CNN）是高光谱图像分类中一种常用的方法,有着较好的分类表现。然而,CNN不可避免地会提取出一些冗余特征,这对高光谱图像分类的准确率造成干扰。此外,高光谱图像分类还面临着同谱异物、同物异谱问题。为了解决以上这些问题,提出了一种基于注意力机制辅助空谱联合残差网络的高光谱图像分类方法。一方面,通过使用注意力机制辅助的3-D、2-D残差网络,同时从光谱维度和空间维度提取空谱联合特征,克服同谱异物、同物异谱问题;另一方面,引入通道注意力机制和空间注意力机制,有效降低了冗余空谱特征的干扰。在2种高光谱数据集上的实验结果表明,相比同类对比算法,所提出的方法具有更优越的分类性能。     

基于生成对抗网络的高光谱图像分类

为了解决简单卷积神经网络(convolutional neural network, CNN)不能有效提取与充分利用高光谱图像特征信息的问题,提出了一种 基于残差网络的多层特征匹配生成对抗网络模型。提出的模型引入残差网络以挖掘高光谱图 像的深层特征,生成可分性更高的高光谱图像,并通过一个特征融合层进行特征融合,充分 利用网络的各层特征。提出的算法在Indian Pines、Pavia University和Salinas数据集 上的分类精度分别达到了97.6%,99.3%,99.1%,与径向基函数支持向量机(radial basis function-support vector machine, RBF-SVM)、堆叠自动编码器(stacked autoencoder, SAE)、深度置信网络(deep belief network, DBN)、PPF-CNN (CNN based on pixel-pair feature)、CNN和三维卷积网络 (three-dimensional convolutional neural network, 3D-CNN)方法相比较,其分类精度具有明显的提高。实验结果表明,提出的方法是一种有效 的高光谱图像分类方法。     

多尺度特征融合的壁画多光谱图像颜料3D-CNN分类方法

颜料的分类识别是古代壁画进行保护修复的基础,多光谱成像方法能够无损快速地获取壁画颜料的光谱图像数据并进行分析。传统利用卷积神经网络进行特征提取的算法中连续的卷积和池化操作会丢失壁画多光谱图像的部分特征信息,使得图像细节无法重建,导致分类图像边界不平滑。针对该问题,提出了一种基于多尺度特征融合的三维空洞卷积残差神经网络对壁画多光谱图像进行颜料分类。首先,在卷积核中引入空洞结构提高卷积核的感受野来提取不同尺度信息,避免池化操作所导致的部分特征丢失;其次,使用特征融合的方法融合不同尺度的特征图,增加多尺度特征的结构层次;最后,引入残差学习模块避免网络层数加深导致的梯度消失问题,重建完整的边缘信息。实验结果表明,所提方法在模拟壁画多光谱图像数据集上的总体精度和平均精度分别达到了98.87%和96.89%,与各对照组相比,不仅具有更好的分类精度,而且得到了边界更清晰的分类图像。     

基于3D Octave卷积和胶囊网络的高光谱图像分类

针对当前胶囊网络分类模型在高光谱图像分类中存在空谱联合信息利用不足和收敛较慢的问题,提出一种结合多尺度Octave三维卷积和胶囊网络的分类模型。首先,使用主成分分析（PCA）来降低高维的光谱特征并保留其关键特征;其次,通过多尺度Octave三维卷积模块使模型能够适应当前数据集目标尺寸跨度较大的特点,在减少空间冗余的同时提高高光谱图像的空谱联合信息的利用;最后,对动态路由算法进行改进,使用向量长度的相似性与方向的相似性来衡量两个向量的一致程度,从而解决网络在训练过程中收敛较慢的问题。为了验证改进后模型的有效性,选择Pavia University公开高光谱数据集,并且通过OA、AA以及Kappa系数将分类结果与当前主流的分类模型进行对比实验。结果表明,在Pavia University数据集上,改进后的模型在OA、AA以及Kappa系数上的精度要高于其他模型,因此,该模型能够更好地应用于高光谱遥感图像分类任务中。     

基于多尺度自适应胶囊网络的高光谱遥感分类

胶囊网络(CapsNet)是一种新型的神经网络,已被广泛应用于高光谱遥感分类。针对胶囊网络所面临的过拟合和梯度消失等问题,提出一种基于多尺度自适应胶囊网络(MSCaps)的高光谱遥感分类方法。利用多尺度(不同尺寸的输入图像)的卷积层来提取地物的空间特征与光谱特征,并采用一种非迭代自适应路由算法进一步改进CapsNet的结构,避免了耦合系数c_ij的稀疏化引起的过拟合问题。利用PU和SA两个公共高光谱数据集从总体分类精度(OA)和模型训练效率两方面评价了MSCaps的分类性能。在分类精度上,利用MSCaps与支持向量机(SVM)、随机森林(RF)、深度卷积神经网络(CNN)、CapsNet、多尺度的胶囊网络(MCaps)、基于非迭代自适应路由算法的胶囊网络(ARWI-Caps)、多尺度的卷积神经网络(MSCNN)对原始影像的OA进行对比;还与SVM、RF对经主成分分析(PCA)特征提取后的影像的OA进行对比,其中两种分类方法分别简称为PCA-SVM与PCA-RF。在训练效率上,对MSCaps的训练时间和CNN、CapsNet、MSCNN的训练时间进行对比。实验结果表明...     

基于卷积神经网络的混叠光谱解调方法

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。