共查询到14条相似文献,搜索用时 62 毫秒
1.
基于样本分割的快速高光谱图像异常检测支持向量数据描述方法 总被引:3,自引:0,他引:3
高光谱图像异常检测支持向量数据描述方法性能优越但存在计算量巨大的问题。提出快速高光谱图像异常检测支持向量数据描述方法,该算法通过样本分割有效降低求取支持向量的计算量。建立了求取支持向量的计算量与样本分割子集数量的数学模型,并给出样本分割子集数量的最优选取方法;提出目标窗与背景窗尺寸相同的优化分割方法,该方法目标窗每次移动只需更新50%的训练样本,有效地减少图像遍历时求取支持向量的计算量。对HYMAP图像的仿真结果表明:本文算法对不同尺寸的高光谱图像进行异常检测的计算时间均小于SVDD算法计算时间的10%. 相似文献
2.
3.
4.
5.
一种基于SOFM神经网络的高光谱图像快速分类方法 总被引:1,自引:0,他引:1
高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明:RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%. 相似文献
6.
7.
为解决高光谱侦察过程中目标的伪装评估问题,提出一种联合探测与感知的高光谱伪装效果评估方法。利用局部异常检测算子提取每个像元与周围背景的差异性指标,结合空间密度聚类和领域融合算法,分割潜在目标区域;建立反映光谱差异性和整体伪装特征的显著性指标,基于有限时间搜索策略进行高光谱伪装评估,从伪装评估指标和时间-评价分数多重角度得到伪装评估结果。仿真实验表明,该方法克服了传统基于多特征描述的评估方法评价指标单一的问题,能够较为客观和准确地给出评估结论,为目标伪装效果评估提供可靠的参考依据。 相似文献
8.
针对高光谱图像在训练样本较少时无法构建有效的深度学习分类模型的问题,对传统的残差块(residual block)模型进行改进,提出一种“金字塔”残差块分类算法。设计一种包含数十个卷积层的深度学习网络,与传统残差模型相比大大减少了参数量,且可以充分提取高光谱图像的深层空间-光谱特征;在2种开源数据集Indian Pines和University of Pavia上进行实验,同时选取了3种经典的分类方法作为对比。实验结果表明:该算法表现效果最佳,可以有效提高高光谱图像的分类精度。 相似文献
9.
10.
11.
为提高工控系统异常流量检测能力,设计一种结合孤立森林(isolation forest,iForest)和单类支持向量机
(one-class support vector machine,OCSVM)的混合算法。采用孤立森林算法检测训练数据中的离群点,将离群点剔
除以降低其对单类支持向量机决策函数的影响;基于正常数据训练单类支持向量机模型,结合特征选取和参数优化
进一步提高异常检测模型的检测率。实验结果表明:在燃气管道数据集上,该算法模型的检测率提高至92.51%,特
别是对异常行为的召回率和查准率上升,优化了异常检测模型的性能,满足可靠性要求。 相似文献
12.
为解决运动目标检测算法鲁棒性和实时性差的问题,在原始codebook算法的基础上提出一种改进的codebook算法.在匹配码字时将最近更新的码字调整至码本列表的最前端,加快码字匹配的速度;以适应光照变化且运算简单的局部二值模式(local binary patterns,LBP)直方图向量代替原有的RGB向量,采用码本记录局部区域的纹理特性,并通过实验比较原始的codebook、混合高斯算法及改进后的codebook.结果表明:改进后的codebook算法较其他2种算法具有更快的处理速度和更好的检测效果,且增强对场景中光照变化的适应力. 相似文献
13.
为提高移动机器人回环检测模块的准确率和实时性,提出一种基于特征地图的改进回环检测算法。在传
统模型的基础上,对关键帧的特征点进行筛选,选取高效特征点构建特征地图,利用视觉字典树对特征地图和关键
帧进行场景描述;对词袋模型进行改进,将场景分割用在图像信息的提取和特征聚类上;建立基于分层K++均值的
视觉字典树,得到改进的基于分层金字塔TF-IDF(term frequency–inverse document frequency)的匹配方法。实验结果
证明:相比FAB-MAP(fast appearance-based mapping)和RGB-D SLAM v2,改进算法在特征点规模、实时性、召回
率方面性能更优。 相似文献
14.
为改善现有变电站巡检人员不规范佩戴安全帽检测时效率、精度低的问题,提出一种基于改进YOLO 的
轻量化变电站人员不规范行为检测模型。该模型由特征提取网络、ECA-SPP 和ECA-PANet 网络以及预测网络组成;
特征提取网络中使用MobileNetV3;提取4 个尺度的特征图并将其输入到SPP 和PANet 网络中,并基于注意力机制
进行优化;以建立的变电站人员不规范佩戴安全帽检测数据集为例,验证所提模型有效性。实验结果表明:所提模
型mAP 为0.824 4,FPS 为38.06,明显优于Faster RCNN、YOLOv4、YOLOx 等模型,具有较高精度和更快的检测
速度,可为变电站人员不规范佩戴安全帽的实时检测提供参考。 相似文献