收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于宽度网络的高光谱图像分类方法研究

王浩宇  
【摘要】:作为遥感领域中基础且关键的技术之一,高光谱图像分类技术是人类认知所处环境的重要方式。然而获取标记样本困难、复杂空-谱特征难以被充分表征等问题的存在,严重制约了高光谱图像分类的进一步推广应用和发展。针对以上问题,本文利用宽度学习、深度学习和领域适应技术研究高光谱图像分类,主要工作包括:1.针对在低标注代价下难以对高光谱图像进行分类的问题,提出一种基于数据增强宽度网络的高光谱图像半监督分类方法。首先,使用图卷积网络从原始高光谱图像中提取深层、非线性的空-谱特征作为输入。其次,提出组合均值法,有针对性地挑选出有价值样本生成样本扩充集用以支撑模型训练。然后,利用宽度学习对经图卷积网络提取和组合均值扩充后的空-谱特征进行宽度拓展,进一步增强特征的表示能力。最后,通过岭回归理论计算出输出权值。2.针对宽度网络中的线性稀疏特征难以对高光谱数据进行充分表征的问题,提出基于宽度图卷积网络的高光谱图像半监督分类方法。首先,利用图卷积操作获取高光谱图像中丰富的非线性空-谱特征,而不是仅通过原始宽度学习中稀疏自编码进行映射。然后,将具有判别性的空-谱特征进行图卷积宽度拓展,有助于进一步增强特征的表征能力,从而提高宽度图卷积网络的分类能力。最后,通过岭回归理论计算输出权值。3.针对常规宽度网络无法解决跨域高光谱图像分类的问题,提出一种基于领域适应宽度学习的高光谱图像分类方法。首先,根据边缘和条件概率分布的重要性,使用最大均值差异准则按不同权重适配映射特征中源域和目标域特征之间的边缘和条件概率分布,并加入流形约束保持数据流形结构。然后,将领域适应和流形约束添加到输出层目标函数的构造过程中,进一步减小分布差异,保持数据流形结构。最后,输出层权重可通过岭回归理论求解。4.针对领域适应宽度学习对目标域的复杂光谱信息表征困难且无法在适配过程中减少类权重偏差的问题,提出一种基于卷积宽度领域适应网络的高光谱图像分类方法。首先,提出卷积领域适应网络,将领域适应层加入卷积神经网络中以同时对齐源域和目标域边缘概率分布和二阶统计量信息。其次,提出加权条件最大均值差异以计算条件概率分布差异和类别权重偏差,并将基于加权条件最大均值差异的领域适配正则项加入宽度网络的输入到映射特征的映射过程中,得到加权条件宽度网络。一方面,加权条件宽度网络可以减少经卷积领域适应网络提取到两域的领域不变性特征的条件概率分布差异和类权重偏差;另一方面,经加权条件宽度网络宽度拓展后的领域不变性特征的表达能力得以进一步增强。5.针对跨域高光谱数据分布不易适配充分的问题,借助于迁移学习和对抗学习的思想,通过将相关源域的标记样本信息向未标记的目标域迁移,提出一种基于领域对抗宽度适配网络的高光谱图像分类方法。首先,提出领域对抗适配网络,在领域对抗神经网络中加入瓶颈适配模块,通过同时进行领域对抗学习、减少两域边缘分布和二阶统计量差异以对齐源域和目标域的分布。然后,将基于最大均值差异的条件领域适配正则项引入宽度网络,得到条件适配宽度网络。一方面,条件适配宽度网络可以对经领域对抗适配网络提取到的领域不变性特征进行类别层面上的分布适配;另一方面,经条件适配宽度网络宽度拓展后的领域不变性特征的表达能力得以进一步增强。在Indian Pines、Pavia University、Kennedy Space Center、Botswana、Pavia City和Houston Bright数据集上进行实验,通过实验结果可知所提方法在面对单域或跨域高光谱图像分类任务时能获得较高的分类精度。该论文有图36幅,表25个,参考文献190篇。


知网文化
【相似文献】
中国期刊全文数据库 前11条
1 张晓华;;基于对抗技术的高光谱图像分类系统的设计及实现[J];测试技术学报;2020年06期
2 闫敬文;陈宏达;刘蕾;;高光谱图像分类的研究进展[J];光学精密工程;2019年03期
3 易嘉闻;李希;欧阳尔;李彬;吴健辉;赵林;;基于自编码的高光谱图像波段加权分类网络研究[J];湖南理工学院学报(自然科学版);2021年01期
4 刘玉华;陈建国;;基于深度学习的高光谱图像多标签分类算法[J];福建工程学院学报;2018年03期
5 韩彦岭;崔鹏霞;杨树瑚;刘业锟;王静;张云;;基于残差网络特征融合的高光谱图像分类[J];国土资源遥感;2021年02期
6 于佩含;李梦楠;高雯;;高光谱图像技术在食品检测中的应用[J];食品安全导刊;2021年22期
7 孔燕萍;覃亚丽;;基于深度学习的高光谱图像分类算法[J];传感器与微系统;2020年07期
8 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
9 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
10 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
11 常志敏;;高光谱图像技术在农产品检测中的应用进展[J];中国食品;2021年08期
中国重要会议论文全文数据库 前20条
1 赵亮;徐云和;陈磊;;基于分段t-SNE的高光谱影像降维方法[A];第二十二届华东六省一市测绘学会学术交流会论文集(一)[C];2021年
2 李雪莹;吕美蓉;刘岩;孙中梁;侯广利;范萍萍;;普通光谱仪与高光谱相机之间模型转移的研究[A];第21届全国分子光谱学学术会议暨2020年光谱年会论文集[C];2020年
3 卢云龙;刘志刚;;高光谱图像目标探测现状研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
4 高东生;高连知;;基于独立分量分析的高光谱图像目标盲探测方法研究[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
5 杨勇;刘木华;邹小莲;苗蓬勃;赵珍珍;;基于高光谱图像技术的猕猴桃硬度品质检测[A];走中国特色农业机械化道路——中国农业机械学会2008年学术年会论文集(下册)[C];2008年
6 马德敏;孙凡;金星;舒嵘;王建宇;;机载高光谱图像质量定量化评价方法的研究[A];成像光谱技术与应用研讨会论文集[C];2004年
7 郑义;;以深度学习落实数学核心素养的策略分析[A];华南教育信息化研究经验交流会2021论文汇编(十)[C];2021年
8 高水彬;;初中英语深度阅读教学探索[A];课程教学与管理研究论文集(二)[C];2021年
9 张兵;王向伟;郑兰芬;童庆禧;;高光谱图像地物分类与识别研究[A];成像光谱技术与应用研讨会论文集[C];2004年
10 张馨月;张旭东;;基于压缩感知的高光谱图像重建研究综述[A];第十三届全国信号和智能信息处理与应用学术会议论文集[C];2019年
11 唐宏;杨新;方涛;施鹏飞;;基于核方法的光谱角制图模型及其在高光谱图像分割中的应用[A];中国地理信息系统协会第八届年会论文集[C];2004年
12 魏一苇;牛超;王艺婷;王红霞;;基于谱聚类算法的高光谱图像分类研究[A];国家安全地球物理丛书(十五)——丝路环境与地球物理[C];2019年
13 杨硕;袁鸿翼;虞宇宏;赵敏;;高光谱图像亚像素目标仿真及检测研究[A];第四届高分辨率对地观测学术年会论文集[C];2017年
14 武倩聿;张馨月;张旭东;;基于约束能量最小化的高光谱图像目标检测算法研究[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年
15 高连如;张兵;孙旭;李山山;张文娟;;高光谱数据降维与分类技术研究[A];第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[C];2010年
16 胡勇;郭冬发;谢胜凯;;基于深度学习结合质谱数据采集的土壤归属地分析研究[A];第三届全国质谱分析学术报告会摘要集-分会场6:无机质谱[C];2017年
17 武望婷;彭淼淼;;高光谱在书画鉴定中的应用研究——以清代司马钟《芭蕉仙鹤图》为例[A];中国文物保护技术协会第九次学术年会论文集[C];2016年
18 张悦;官云兰;;基于聚类的高光谱图像非监督波段选择方法[A];《江西遥感》2017年第2期(总第3期)[C];2017年
19 郑毓轩;李云松;师艳子;曲家慧;谢卫莹;;基于FPGA的高光谱异常目标检测RXD算法加速方案[A];2018软件定义卫星高峰论坛会议摘要集[C];2018年
20 徐梦洋;;基于深度学习的行人再识别研究综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年
中国博士学位论文全文数据库 前20条
1 王浩宇;基于宽度网络的高光谱图像分类方法研究[D];中国矿业大学;2021年
2 张帆;基于空谱特征学习和深度网络的高光谱图像分类研究[D];西安电子科技大学;2020年
3 王贤辰;基于空谱域局部特征的高光谱图像描述及其在目标探测中的应用[D];深圳大学;2019年
4 李理;基于马氏距离测度核学习的高光谱图像分类方法研究[D];哈尔滨工业大学;2018年
5 高巍;基于多核学习的高光谱图像分类方法研究[D];哈尔滨工业大学;2019年
6 滕艺丹;高光谱图像信息恢复方法研究[D];哈尔滨工业大学;2018年
7 丁晨;基于自适应卷积神经网络的高光谱图像分类方法研究[D];西北工业大学;2018年
8 王丽;基于压缩感知的高光谱图像采样和重构技术研究[D];西北工业大学;2018年
9 潘磊;基于稀疏低秩表示的高光谱图像特征提取与分类[D];西南交通大学;2019年
10 温茂星;复杂背景下高光谱运动目标探测方法研究[D];中国科学院大学(中国科学院上海技术物理研究所);2019年
11 薄纯娟;基于空谱联合模型的高光谱图像分类方法研究[D];大连理工大学;2019年
12 付巍;基于稀疏表征的高光谱图像空谱压缩与分类方法研究[D];湖南大学;2019年
13 韦晓辉;面向高光谱图像分类的特征提取与选择方法研究[D];湖南大学;2019年
14 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
15 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
16 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
17 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
18 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
19 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
20 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
中国硕士学位论文全文数据库 前20条
1 李一然;基于深度领域适应的高光谱图像分类[D];中国矿业大学;2021年
2 闫清宇;基于特征域适应的高光谱图像分类算法研究[D];哈尔滨工业大学;2021年
3 唐翔宜;基于深度迁移学习的高光谱图像分类方法研究[D];沈阳航空航天大学;2020年
4 王铃秀;策略加权和迭代加权的高光谱图像分类研究[D];哈尔滨工程大学;2021年
5 牟雪融;基于领域自适应的高光谱图像分类方法研究[D];大连理工大学;2021年
6 杨启帆;基于深度学习和空谱联合的高光谱图像分类算法[D];西安电子科技大学;2020年
7 赵永森;基于深度学习的高光谱图像修复技术研究[D];哈尔滨工业大学;2020年
8 修瑞璇;基于深度学习的高光谱图像分类方法研究[D];辽宁师范大学;2020年
9 卓彬彬;基于半监督学习和深度学习的高光谱图像分类方法研究[D];湖南大学;2020年
10 姜凯;基于语义特征和递归神经网络的高光谱图像分类[D];西安电子科技大学;2017年
11 邢珍杰;基于样本扩充与深度学习的高光谱图像分类方法研究[D];西安电子科技大学;2020年
12 王莹;基于深度学习的高光谱图像分类的研究[D];燕山大学;2019年
13 陈静;基于深度学习的高光谱图像分类算法研究[D];西北师范大学;2021年
14 王浩;随机共振和深度学习在高光谱图像阴影信息提取中的研究与应用[D];青岛科技大学;2021年
15 曾祁泽;基于低秩表示与深度学习的高光谱图像分类方法[D];西安电子科技大学;2020年
16 程丹;基于多特征的低秩稀疏表示用于高光谱图像分类[D];西安电子科技大学;2017年
17 公文静;基于特征学习的高光谱图像分类[D];西安电子科技大学;2017年
18 李彤;基于密集卷积的高光谱图像分类方法研究[D];哈尔滨工程大学;2021年
19 高润;小样本下基于深度学习的高光谱图像分类[D];西安电子科技大学;2020年
20 刘一锦;基于深度网络和引导滤波的高光谱遥感图像分类[D];西安电子科技大学;2021年
中国重要报纸全文数据库 前2条
1 记者 钟夏;两天半采集全球高光谱图像数据[N];珠海特区报;2019年
2 本报记者 付毅飞;“珠海一号”,为何能拍出太空大片[N];科技日报;2017年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978