”遥感 高光谱图 空谱特征 稀疏编码 卷积神经 remote se hyperspec spatial-s sparse co convoluti“ 的搜索结果

     现有稀疏编码方法大多仅考虑光谱信息而丢弃空间信息,而所提算法利用卷积神经网络可以有效提取数据深层特征的优势,对高光谱图像同时提取空谱特征,获取高维深层特征;然后再通过字典学习对深层特征进行稀疏编码,以获取...

     使用卷积神经网络进行高光谱遥感数据分类，使用的数据源为Pavia University高光谱数据 文件夹log--日志文件夹，存放TensorBorad日志、网络参数文件、混淆矩阵图 文件夹Patch--存放数据处理的切片结果 文件夹PaviaU--...

     高光谱遥感影像分类通常基于地物光谱特征，但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构，卷积神经网络(CNN)已成功地应用在图像分类领域，对二维图像分类具有...

     高光谱图像分类已被公认为是高光谱数据处理的基础性和挑战性任务,丰富的光谱信息和空间信息为有效描述和识别地表物质提供了契机。卷积神经网络(CNN)中的参数较多,为了避免过拟合问题,需要大量的训练样本。Log-Gabor...

     在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物...

     提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法; 利用非下采样Contourlet变换对训练样本进行多尺度分解; 在训练样本中选择图像, 利用稀疏编码学习局部特征, 对特征向量进行排序; 选择灰度平均梯度较大...

     首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,...

     近年来深度学习的技术在计算机视觉领域中大放异彩，使得对多光谱数据分类的研究迅速发展，结合2D-CNN，3D-CNN，注意...根据CNN网络对高光谱图像特征提取方式的不同，分为基于谱特征，空间特征，和空谱特征的分类方法。

     由于特征模型的局限性，我们引入卷积特征，也就是经过卷积神经网络得到的特征信息，包括浅层信息和深层信息，浅层信息指的是：前级的卷积层得到的特征图，感受野更加关注的是图像细节纹理等特征。深层信息包括：后级...

     编码端,将多光谱数据整体输入到多光谱图像压缩网络中,采用卷积提取多光谱图像的主要光谱特征与空间特征,使用下采样减小特征数据的尺寸,并通过率失真优化控制光谱特征与空间特征数据的熵,使空谱特征数据分布更加紧凑,...

     该方法以高光谱像元立方体作为数据输入,使用三维卷积核同时提取高光谱数据的空间维和光谱维特征,并通过在卷积核中引入空洞结构,在不增加网络参数量和不消减数据特征的情况下提高卷积核的感受野,从而提高神经网络的...

     针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题, 提出了一种将全卷积神经网络应用于遥感影像分类的方法；为了减少影像特征图在池化过程中自身特征的丢失, 增加...

10  
9  
8  
7  
6  
5  
4  
3  
2  
1  

推荐文章