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...     

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%。     

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。     

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...     

基于大数据的高光谱图像分类算法

为解决图像分类精准度较低问题，提出基于卷积神经网络的高光谱图像分类算法。利用虚拟化样本降低分类难度，通过标准化均值差法加强凸显每个像素间曲线波动特征。构建光谱特征提取模型，通过卷积神经网络建立分类处理模型并确定整体分类流程，实现光谱图像的分类。实验结果表明，在同种数据集下，所提算法的分类精准度较为理想。且在训练样本较少的情况下，其应用效果也较好，能够为高光谱图像深入处理提供可靠的理论基础。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。     

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。     

基于栈式自编码神经网络对高光谱遥感图像分类研究

为了有效利用高光谱遥感图像中的波段信息,提高高光谱遥感图像分类的精确度,本文提出了基于栈式自编码神经网络(Stacked Autoencoder,SA)对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息,对其进行相应特征提取,避免了相邻信息间的相关性和信息的冗余,本方法采用无监督学习和监督学习相结合,既可以像传统方法那样进行降维,简化相关的计算复杂度,同时在分类精度上有很大地提高。     

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...     

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network,CNN) 的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中 随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。     

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。     

基于字典优化的联合稀疏表示高光谱图像分类

针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法。首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选备选集得到优化字典;最后,将优化字典用于联合稀疏表示对高光谱图像进行分类。通过Indian Pines数据集和Pavia University数据集仿真实验表明,本文提出的分类算法能够有效提高高光谱图像分类精度。      

基于高光谱影像多维特征的植被精细分类

目前,高光谱植被精细分类存在三个问题:单纯利用光谱信息得到的分类精度较低;光谱数据存在噪声影响了最终的分类结果; 缺少针对具体应用场景而设计的分类方法。为此,提出了一种基于高光谱影像多维特征的植被精细分类方法,通过光谱 数据降维、纹理特征提取以及植被指数选择三个方面对高光谱影像数据进行分析与利用,依靠前期现场调查得到的地面 植被分布情况,选择训练样本并进行支持向量机(Support vector machine, SVM)监督分类,完成地面植被的精细分类, 对分类结果进行验证,总体精度可达99.6\%。结果表明,基于高光谱影像多维特征的植被分类方法能够有效地减小数据噪声、 提高信息利用率,为植被生态监测提供更为准确的数据支撑。     

基于多融合多尺度特征的高光谱图像分类研究

针对高光谱图像(HSI)波段之间的冗余性给高光谱图像分类结果产生的不利影响,研究基于多融合多尺度特征的高光谱图像分类方法。将采用于主成分分析降维处理的HSI数据作为多尺度特征多融合残差网络输入,利用多尺度特征多融合残差块提取HSI中的光谱特征和空间特征,并组成若干组光谱-空间特征;采用支持向量机展开分类处理,获取各光谱-空间特征的概率输出结果和权重,建立多特征加权概率融合模型,利用最大后验概率获取高光谱图像分类结果。实验结果表明:光谱-空间多尺度特征融合残差块数量为2+2模式、空间输入尺寸大小为9×9,可获取最佳多尺度特征融合残差网络;所提方法抗噪能力较好,可较好体现地物细节信息;且具备较高的高光谱图像分类精度。     

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。     

基于非线性核空间映射与人工免疫网络的高光谱遥感图像分类

提出了一种基于非线性核空间映射人工免疫网络的高光谱遥感图像分类算法.根据生物免疫网络基本原理构建了人工免疫网络模型,利用非线性核函数将高光谱训练样本映射到高维空间,完善了人工免疫网络中目标样本核空间相似性分选方法,降低了人工免疫网络识别样本所需的抗体数量,提升了算法的分类精度和运算效率.为了验证算法的有效性,利用两组高光谱遥感数据将多种高光谱分类方法进行了对比实验.实验表明该算法分类精度和算法运算时间上都有较大改善,是一种分类精度更高、运算速度更快的改进型基于人工免疫网络的高光谱遥感图像分类新方法.     

基于光谱注意力图卷积网络的高光谱图像分类

近年来,图卷积网络因其特征聚合的机制,能够同时对单个节点以及近邻节点的特征进行表示,被广泛应用于高光谱图像的分类任务。然而,高光谱图像(HSI)中常存在波段冗余、同物异谱等问题,使得直接利用原始光谱特征构建的初始图可靠性不足,从而导致高光谱图像的分类精度低。为此,该文提出一种基于光谱注意力图卷积网络(SAGCN)的高光谱图像半监督分类方法。首先,利用注意力模块对光谱的局部与全局信息进行交互,以增加重要光谱的权重、减小冗余波段以及噪声波段的权重,从而实现光谱的自适应加权;然后,针对光谱加权处理后的高光谱图像,通过空间-光谱相似性度量构建更为准确的近邻矩阵;最后,通过图卷积对标记和无标记样本进行有效的特征聚合,并使用标记样本的聚合特征训练网络。在Indian Pines, Kennedy Space Center和Botswana 3个真实高光谱图像数据集上的实验结果验证了所提方法的有效性。