排序方式: 共有9条查询结果,搜索用时 0 毫秒
1
1.
目的 随着高光谱成像技术的飞速发展,高光谱数据的应用越来越广泛,各场景高光谱图像的应用对高精度详细标注的需求也越来越旺盛。现有高光谱分类模型的发展大多集中于有监督学习,大多数方法都在单个高光谱数据立方中进行训练和评估。由于不同高光谱数据采集场景不同且地物类别不一致,已训练好的模型并不能直接迁移至新的数据集得到可靠标注,这也限制了高光谱图像分类模型的进一步发展。本文提出跨数据集对高光谱分类模型进行训练和评估的模式。方法 受零样本学习的启发,本文引入高光谱类别标签的语义信息,拟通过将不同数据集的原始数据及标签信息分别映射至同一特征空间以建立已知类别和未知类别的关联,再通过将训练数据集的两部分特征映射至统一的嵌入空间学习高光谱图像视觉特征和类别标签语义特征的对应关系,即可将该对应关系应用于测试数据集进行标签推理。结果 实验在一对同传感器采集的数据集上完成,比较分析了语义—视觉特征映射和视觉—语义特征映射方向,对比了5种基于零样本学习的特征映射方法,在高光谱图像分类任务中实现了对分类模型在不同数据集上的训练和评估。结论 实验结果表明,本文提出的基于零样本学习的高光谱分类模型可以实现跨数据集对分类模型进行训练和评估,在高光谱图像分类任务中具有一定的发展潜力。 相似文献
2.
3.
目的 自编码器作为一种无监督的特征提取算法,可以在无标签的条件下学习到样本的高阶、稠密特征。然而当训练集含噪声或异常时,会迫使自编码器学习这些异常样本的特征,导致性能下降。同时,自编码器应用于高光谱图像处理时,往往会忽略掉空域信息,进一步限制了自编码器的探测性能。针对上述问题,本文提出一种基于空域协同自编码器的高光谱异常检测算法。方法 利用块图模型优良的背景抑制能力从空域角度筛选用于自编码器训练的背景样本集。自编码器采用经预筛选的训练样本集进行网络参数更新,在提升对背景样本表达能力的同时避免异常样本对探测性能的影响。为进一步将空域信息融入探测结果,利用块图模型得到的异常响应构建权重,起到突出目标并抑制背景的作用。结果 实验在3组不同尺寸的高光谱数据集上与5种代表性的高光谱异常检测算法进行比较。本文方法在3组数据集上的AUC(area under the curve)值分别为0.990 4、0.988 8和0.997 0,均高于其他算法。同时,对比了不同的训练集选择策略,与随机选取和使用全部样本进行对比。结果表明,本文基于空域响应的样本筛选方法相较对比方法具有较明显的优势。结论 提出的基... 相似文献
4.
为了满足大宗淡水鱼智能加工生产的需要,实现对不锈钢链板上淡水鱼的轮廓检测,提出一种抗畸变性强的轮廓检测方法.该方法由畸变矫正、背景差分、椭圆拟合三部分组成.首先,采集链板上的淡水鱼图像与模板图像,构造待检测图像与标准模板图像对应像素点的投影矩阵,将畸变的待检测图像矫正至统一的坐标系下;然后,与标准模板图像匹配,对感兴趣区域(ROI)差分去除背景,得到目标图像并提取其轮廓点;最后,采用逐步椭圆拟合法,确保鱼身主体部分被精确地拟合,且长轴方向与鱼体方向一致.通过将匹配算法与背景差分法相结合,确保了校准后的待检测图像与标准模板图像的ROI完全重合;再利用逐步舍弃部分轮廓样本点的椭圆拟合法,能较好地避免噪声点的影响,精准地描述淡水鱼轮廓.实验结果表明,相较于传统的背景差分和椭圆拟合算法,所提方法能将误差范围控制在5%以内,大幅提高了检测精度. 相似文献
5.
李皞 《计算机光盘软件与应用》2012,(6):220+219
闽江学院海峡学院借鉴台湾合作大学成功的创新教育模式,推行"萃思创新"大学生创新能力养成体系,旨在通过"萃思创新"培训、课程设置、选修课、创新讲座、创意训练营、创新种子班、企业参访、企业导师指导、本科生导师制、赛事拉动等多种措施,逐步培养大学生的创新能力养成。闽江学院海峡学院推行"萃思创新"大学生创新能力养成体系,充分弘扬和培育了大学生的首创精神,切实体现大学生创新意识和创新思维的培养,提高了闽台合作办法校园文化内涵,逐步形成不拘一格育人才的良好的人文环境和创新氛围。 相似文献
6.
7.
8.
高精度数控机床用直线电机端部效应分析及神经网络补偿技术研究 总被引:25,自引:17,他引:25
针对高精度数控机床用交流永磁直线同步电机(PMLSM)伺服系统高精度快速响应的运行要求,在分析研究PMLSM的端部效应对直线伺服系统性能影响的基础上,引入神经网络补偿技术,使系统具有自学习能力,实时补偿端部效应引起的非线性时变扰动。设计了一种鲁棒性较强的基于双神经网络的前馈给定补偿口位置复合控制策略。仿真结果表明,该方案有效地克服了PMLSM特有的端部效应所产生的推力波动对系统的影响,具有很强的鲁棒性,而且提高了系统的稳态性能。 相似文献
9.
1