共查询到20条相似文献，搜索用时 488 毫秒
1.
针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。 相似文献
2.
高光谱图像的异常检测在军事、农业、勘探、防火等领域具有重要的应用价值。传统的高光谱图像异常检测算法未能有效地挖掘图像光谱的深层特征,而深度学习方法具有良好的提取深层特征信息的能力。由于异常检测问题一般无法获取地物先验信息,因此无监督网络相比于监督网络要更为适用。而现有的基于自编码器的异常检测算法没有对局部信息进行有效利用,导致检测效果受限。针对这一问题,本文提出一种基于稀疏表示约束的自编码器深度特征提取方法。首先通过栈式自编码器得到深层次语义信息;然后利用稀疏表示作为约束与编码器进行有效结合,挖掘了潜在隐藏空间中的特征元素的局部表示特性;最后采用分数傅里叶变换,通过空间-频率表示获得原始光谱与其傅里叶变换的中间域中的特征,进一步增强了背景和异常的光谱区分度,且能有效去除噪声的影响。在Hymap、AVIRIS、ROSIS、HYDICE这4种光谱仪采集的5幅高光谱遥感影像上进行了性能验证,得到的曲线下覆盖面积(area under curve, AUC)分别为0.990 5、0.998 3、0.999 0、0.992 8和0.911 0,相比于对比算法都有了不同程度的效果提升。结果表明本文... 相似文献
3.
面对高光谱影像分类的半监督阶梯网络 总被引：1，自引：0，他引：1
提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。 相似文献
4.
在现有基于物理模型的高光谱异常探测HAD(Hyperspectral Anomaly Detection)方法中,低秩表示LRR(Low-Rank Representation)模型以其强大的背景和目标特征分离能力而受到广泛的关注和采用。然而,由于依赖手动参数的选择以及较差的泛化性,导致其实际应用受到限制。为此,本文将LRR模型与深度学习技术相结合,提出了一种新的适用于HAD的基础深度展开网络,称为LRR-Net。该方法借助交替方向乘法ADMM(Alternating Direction Method of Multipliers)优化器高效地求解LRR模型,并将其求解步骤耦合至深度网络中以指导其搜索过程,为深度网络提供了一定的理论基础,具有较强的可解释性。此外,LRR-Net以端到端的方式将一系列正则化的参数转换为可学习的网络参数,从而避免了手动调参。4组不同的高光谱异常探测实验证明了LRR-Net的有效性,与其他无监督的异常探测方法相比,LRR-Net具有较强的泛化性和鲁棒性,能够提高HAD的精度。 相似文献
5.
规划监督全过程检查项目检测成果是规划管理部门依法实施规划监督管理的重要依据,规划监督全过程检查检测数据处理涉及的内容多、政策性强,通过数据处理系统的开发,对检测数据处理进行数据库管理,基本实现了项目信息在各阶段进行共享、成果图与报告实时联动、各类面积自动计算、各种图形自动提取与按打印比例尺自动调整、按序打印、一键式输出成果报告等功能,提高了此类项目的数据处理与质量检查效率,在测绘生产中得到了较好的应用。 相似文献
6.
针对大面积海底地形数据缺失或异常的复杂及多变性特点，结合条件变分自编码器（CVAE）与深度卷积生成对抗网络（DCGAN），构建了条件变分自编码生成对抗网络（CVAE-GAN）大面积海底伪地形的检测与剔除方法。本文方法利用条件变分自编码算法改变原有的样本分布，通过对训练样本的学习重新构建样本之间的分布规律，有效提高了高维到低维映射的稳定性；结合生成对抗网络，提高了整体算法的稳健性，最终得到较优的检测与剔除结果。采用水深格网数据进行试验，并与中值滤波法、趋势面滤波法进行比较。结果表明，本文方法在精度、稳定性及噪声稳健性方面有所提高，验证了本文方法在海底地形数据处理上具有可行性。 相似文献
7.
分析了旋转转编码器的原理与结构，给出了其典型的输出接口和时序；结合测绘内业仪器伺服系统的定位精度要求，讨论了旋转编码器的主要应用方法。 相似文献
8.
9.
《测绘与空间地理信息》2020,(4)
现有的遥感影像地物提取方法大多是利用人工设定特征或神经网络全监督学习特征检测,前者适用范围较小,后者适用范围较大但需要大量标签。为减少影像标签绘制成本和提高在少量有标签数据下网络的检测精度,本文提出一种新的网络组合构建生成对抗网络,并将其结合半监督学习首次应用到遥感领域进行影像地物检测。文中首先采用选择合适的生成网络和鉴别网络构建生成对抗网络;然后采用有标签数据和无标签数据交替训练网络,根据网络性能选择设置最优参数。本文采用ISPRS提供的vaihingen地区高分辨率航空影像进行实验,结果表明,本文提出的网络组合结合半监督学习可以有效提高检测精度。 相似文献
10.
卷积自编码器融合了适于处理相同维度数据映射的自编码器神经网络,以及近年来在图像处理领域取得广泛应用的卷积神经网络。基于深度学习处理重力观测数据图像, 利用卷积自编码器从含噪声的重力图像中重建重力观测图像。首先,随机建模生成大量不同参数的重力异常体,正演其重力异常, 将加入噪声的重力异常和原始重力异常分别作为卷积自编码器的输入和输出进行训练;然后,模拟数据测试表明训练得到的神经网络重建效果良好;最后,用Kauring实验场实测重力数据测试该神经网络的泛化性能,并与快速傅里叶变换(fast Fourier transform,FFT)滤波、db小波(Daubechies wavelet)滤波方法进行了比较。结果表明,训练好的卷积自编码器重建实测重力数据的平均误差小于FFT滤波方法及db小波滤波,且能避免重力异常特征过度滤波而消失,受噪声干扰小于db小波滤波,综合效果理想。 相似文献
11.
针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。 相似文献
12.
为解决目前配电房配网规划改造设计中缺乏配电房结构及内部设备精确三维空间数据的快速获取装备与方法的问题，该文设计研发了配电房遥控移动三维激光扫描系统，提出了一种基于履带车编码器的配电房多站点云自动拼接方法，该系统将激光扫描仪安置于遥控履带式移动平台上，作业人员可在配电房外，遥控扫描系统移动到合适的测站位置，实现配电房内部的多站扫描，该方法能快速实现不同站点间的点云数据的粗拼接，再利用广义迭代最近点(GICP)算法迭代实现精配准，获得完整统一的精确配电房三维点云数据。该文研发的配电房移动扫描系统避免了操作人员进入带电的配电房作业，可在符合配电房安全管理规范的前提下，完成配电房扫描数据采集，提出的基于编码器的多站点云自动拼接方法可降低扫描仪的配置要求，降低系统成本。 相似文献
13.
14.
深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用。现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时。为此,本文提出了一种基于谱间对比学习的无监督深度学习模型。无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取。具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征。受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型。为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证。试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能。 相似文献
15.
基于改进U-Net网络的遥感图像云检测 总被引：1，自引：0，他引：1
为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题，本文提出了一种改进的U-Net网络模型，并应用于FY-4A数据进行云检测。首先，利用国家气象卫星中心提供的云检测产品生成二分类云标签；其次，将U-Net模型的编码器与残差模块相结合，使得网络参数共享，并避免深层网络的退化问题；最后，在解码器中融入密集连接模块，将浅层特征与深层特征进行连接，便于获取新的特征，并提高特征使用率。试验结果表明，模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%，可以很好地检测出薄云及大量碎云，效果明显优于U-Net模型。 相似文献
16.
在半监督语义分割中,主要采用编码-主从解码器结构使无标签样本参与计算以提高分割精度,但编码器的连续下采样操作易丢失浅层细节特征,从而导致地物边界分割不完整。为此,本文提出结合多尺度共享编码的半监督网络架构对航空影像进行语义分割,该网络的编码器采用ResNet-50获取影像浅层特征,并通过在ResNet-50末端嵌入多尺度共享编码模块来链接浅层特征,以构建密集特征金字塔和扩大感受野,从而获取目标地物多尺度细节信息。将本文网络与UNet、DeepLabv3+、FCN监督网络和CCT、XModalNet、VLCNet半监督网络在LandCover.ai和DroneDeploy数据集上分别进行了对比试验和精度评估。结果表明:本文网络在标签数量与精度方面均具有明显优势,对于LandCover.ai数据集,在6000张标签样本和6500张无标签样本的前提下,整体mIoU提升1.15%,对于DroneDeploy数据集,在30张标签样本和5张无标签样本的前提下,整体mIoU提升0.94%,同时显著提升影像地物的分割精度,得到更清晰、完整的地物边界。 相似文献
17.
18.
近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。 相似文献
19.
高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。 相似文献