期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
结合区域引导和双注意力机制的高光谱目标检测判别式学习网络
1
作者
钟佳平
李云松
+2 位作者
谢卫莹
雷杰
Paolo Gamba
《电子学报》
EI
CAS
CSCD
北大核心
2024年第5期1716-1729,共14页
高光谱图像(HyperSpectral Images,HSIs)具有高光谱分辨率和丰富的光谱信息,其具有的大量窄波段电磁波有利于获取感兴趣目标的理化信息,并根据对应的光谱特征对不同物质进行有效区分,从而完成目标检测任务.然而有限样本、少量先验信息...
高光谱图像(HyperSpectral Images,HSIs)具有高光谱分辨率和丰富的光谱信息,其具有的大量窄波段电磁波有利于获取感兴趣目标的理化信息,并根据对应的光谱特征对不同物质进行有效区分,从而完成目标检测任务.然而有限样本、少量先验信息、高维相似背景及不同类别差异小所导致的目标和背景混淆问题使得高光谱目标检测(Hyperspectral Target Detection,HTD)面临挑战.为此,本文提出结合区域引导和双注意力机制的高光谱目标检测判别式学习网络(Region-guided and dual-Attention Discriminative learning Network,RADN),以缓解标记样本少的条件下不同类别相似度高和相同类别差异性大导致的背景和目标不易区分的问题,减少高维冗余特征带来的计算复杂度,同时提升检测精度.本文使用经验性区域引导网络训练,采用光谱约束的无监督聚类方法确定网络输入,选择性地关注高光谱图像中的显著性特征和感兴趣区域.此外,本文在网络中添加双通道注意力机制来辅助复杂背景分布的估计,并在网络中引入不同类别光谱先验损失函数,进一步减少高维复杂背景以及光谱变化对于目标的干扰.实验结果和分析表明,RADN在不同数据集上的性能优于现有先进的算法.
展开更多
关键词
高光谱目标检测
无监督聚类
通道注意力机制
感兴趣区域
光谱分辨率
在线阅读
下载PDF
职称材料
端到端分布式联合优化的空谱自编码密度估计模型
2
作者
马纪涛
谢卫莹
+2 位作者
雷杰
方乐缘
李云松
《电子学报》
EI
CAS
CSCD
北大核心
2023年第4期1006-1020,共15页
高光谱图像(Hyperspectral Image,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(Hyperspectral Anomaly Detection,HAD)方法存在如下...
高光谱图像(Hyperspectral Image,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(Hyperspectral Anomaly Detection,HAD)方法存在如下问题:一是没有联合优化概率密度估计和特征表示这两个不同的目标函数,导致深度神经网络无法学习到更加准确的概率密度函数和包含HSI固有信息的低维表示;二是缺乏高层次空间语义信息与低维流行中光谱信息的自适应融合.此外,随着光谱成像技术的发展,卫星或无人机所获取的HSI的体积越来越大,在遥感大数据的背景下,传统框架处理HSI变得十分困难,给HAD带来了极大的挑战.本文分别从以上问题出发,提出了端到端联合优化的空谱协同自编码密度估计(End-to-End Spectral-Spatial Cooperative Autoencoding Density Esti-mation,E2E-SSCADE)模型.基于二维卷积提取HSI空间特征,融合高光谱图像光谱特征和空间特征的低维表示以及重构误差表示,联合密度估计网络进行端到端的优化,并利用分布式学习实现了大体积高光谱图像的异常检测.实验表明,所提出的E2E-SSCADE可以从光谱向量、空间维度以及重构空间三个角度更深层次地挖掘HSI固有信息的低维表示,构建更加准确的背景模型,在有效分离背景和异常目标的同时,结合分布式学习实现了快速、准确的大体积高光谱图像的异常检测,在6个经典HAD数据集上达到了99.07%的精度和3.41倍的检测速度.实验代码见https://github.com/majitao-xd/E2E-SSCADE.git.
展开更多
关键词
高光谱异常检测
空谱协同
估计网络
端到端优化
分布式学习
在线阅读
下载PDF
职称材料
基于FPGA的高光谱异常目标检测RXD算法加速方案
3
作者
郑毓轩
李云松
+2 位作者
师艳子
曲家慧
谢卫莹
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2018年第12期2556-2567,共12页
高光谱图像在带来丰富光谱信息的同时,其数据量大和维数高的特性也使得各种目标检测算法进行处理时往往产生庞大的运算量,所以采用可以实现高光谱异常目标检测算法的高速处理方案显得尤为迫切和重要。考虑到现场可编程门阵列(FPGA)强大...
高光谱图像在带来丰富光谱信息的同时,其数据量大和维数高的特性也使得各种目标检测算法进行处理时往往产生庞大的运算量,所以采用可以实现高光谱异常目标检测算法的高速处理方案显得尤为迫切和重要。考虑到现场可编程门阵列(FPGA)强大的并行计算能力和极具灵活的设计方式,针对高光谱异常目标检测RXD算法中协方差矩阵及其逆的计算量过大的问题,以分块并行和正交三角(QR)分解为主要加速思想,利用高层次综合(HLS)工具对算法进行优化,提出了RXD算法在FPGA平台上的加速方案。实验结果表明,所提出的基于FPGA平台的加速方案可以在保持算法检测性能的同时达到相较于CPU实现7. 04倍的加速,验证了加速方案的正确有效性。
展开更多
关键词
高光谱异常目标检测
RXD算法
分块并行
正交三角(QR)分解
高层次综合(HLS)
加速方案
在线阅读
下载PDF
职称材料
题名
结合区域引导和双注意力机制的高光谱目标检测判别式学习网络
1
作者
钟佳平
李云松
谢卫莹
雷杰
Paolo Gamba
机构
西安电子科技大学综合业务网全国重点实验室
帕维亚大学
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第5期1716-1729,共14页
基金
国家自然科学基金(No.62121001,No.U22B2014)
中国科协青年人才托举工程(No.2020QNRC001)。
文摘
高光谱图像(HyperSpectral Images,HSIs)具有高光谱分辨率和丰富的光谱信息,其具有的大量窄波段电磁波有利于获取感兴趣目标的理化信息,并根据对应的光谱特征对不同物质进行有效区分,从而完成目标检测任务.然而有限样本、少量先验信息、高维相似背景及不同类别差异小所导致的目标和背景混淆问题使得高光谱目标检测(Hyperspectral Target Detection,HTD)面临挑战.为此,本文提出结合区域引导和双注意力机制的高光谱目标检测判别式学习网络(Region-guided and dual-Attention Discriminative learning Network,RADN),以缓解标记样本少的条件下不同类别相似度高和相同类别差异性大导致的背景和目标不易区分的问题,减少高维冗余特征带来的计算复杂度,同时提升检测精度.本文使用经验性区域引导网络训练,采用光谱约束的无监督聚类方法确定网络输入,选择性地关注高光谱图像中的显著性特征和感兴趣区域.此外,本文在网络中添加双通道注意力机制来辅助复杂背景分布的估计,并在网络中引入不同类别光谱先验损失函数,进一步减少高维复杂背景以及光谱变化对于目标的干扰.实验结果和分析表明,RADN在不同数据集上的性能优于现有先进的算法.
关键词
高光谱目标检测
无监督聚类
通道注意力机制
感兴趣区域
光谱分辨率
Keywords
hyperspectral target detection
unsupervised clustering
channel attention mechanism
region of interest
spectral resolution
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
端到端分布式联合优化的空谱自编码密度估计模型
2
作者
马纪涛
谢卫莹
雷杰
方乐缘
李云松
机构
西安电子科技大学综合业务网理论及关键技术国家重点实验室
湖南大学电气与信息工程学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2023年第4期1006-1020,共15页
基金
国家自然科学基金(No.62121001,No.U22B2014)
中国科协青年人才托举工程(No.2020QNRC001)。
文摘
高光谱图像(Hyperspectral Image,HSI)由于其丰富的光谱信息和空间信息,被广泛应用于异常检测任务,在对地观测和深空探测中起到了重要作用.然而,现有的基于密度估计的高光谱异常检测(Hyperspectral Anomaly Detection,HAD)方法存在如下问题:一是没有联合优化概率密度估计和特征表示这两个不同的目标函数,导致深度神经网络无法学习到更加准确的概率密度函数和包含HSI固有信息的低维表示;二是缺乏高层次空间语义信息与低维流行中光谱信息的自适应融合.此外,随着光谱成像技术的发展,卫星或无人机所获取的HSI的体积越来越大,在遥感大数据的背景下,传统框架处理HSI变得十分困难,给HAD带来了极大的挑战.本文分别从以上问题出发,提出了端到端联合优化的空谱协同自编码密度估计(End-to-End Spectral-Spatial Cooperative Autoencoding Density Esti-mation,E2E-SSCADE)模型.基于二维卷积提取HSI空间特征,融合高光谱图像光谱特征和空间特征的低维表示以及重构误差表示,联合密度估计网络进行端到端的优化,并利用分布式学习实现了大体积高光谱图像的异常检测.实验表明,所提出的E2E-SSCADE可以从光谱向量、空间维度以及重构空间三个角度更深层次地挖掘HSI固有信息的低维表示,构建更加准确的背景模型,在有效分离背景和异常目标的同时,结合分布式学习实现了快速、准确的大体积高光谱图像的异常检测,在6个经典HAD数据集上达到了99.07%的精度和3.41倍的检测速度.实验代码见https://github.com/majitao-xd/E2E-SSCADE.git.
关键词
高光谱异常检测
空谱协同
估计网络
端到端优化
分布式学习
Keywords
hyperspectral anomaly detection
spectral-spatial cooperative
estimation network
end-to-end optimiza-tion
distributed learning
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP751.1 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于FPGA的高光谱异常目标检测RXD算法加速方案
3
作者
郑毓轩
李云松
师艳子
曲家慧
谢卫莹
机构
西安电子科技大学综合业务网理论及关键技术国家重点实验室
出处
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2018年第12期2556-2567,共12页
基金
国家自然科学基金(61502367
61501346
+4 种基金
61701360
61571345
91538101)
高等学校学科创新引智计划("111计划")(B08038)
长江学者特聘教授支持计划(CJT160102)~~
文摘
高光谱图像在带来丰富光谱信息的同时,其数据量大和维数高的特性也使得各种目标检测算法进行处理时往往产生庞大的运算量,所以采用可以实现高光谱异常目标检测算法的高速处理方案显得尤为迫切和重要。考虑到现场可编程门阵列(FPGA)强大的并行计算能力和极具灵活的设计方式,针对高光谱异常目标检测RXD算法中协方差矩阵及其逆的计算量过大的问题,以分块并行和正交三角(QR)分解为主要加速思想,利用高层次综合(HLS)工具对算法进行优化,提出了RXD算法在FPGA平台上的加速方案。实验结果表明,所提出的基于FPGA平台的加速方案可以在保持算法检测性能的同时达到相较于CPU实现7. 04倍的加速,验证了加速方案的正确有效性。
关键词
高光谱异常目标检测
RXD算法
分块并行
正交三角(QR)分解
高层次综合(HLS)
加速方案
Keywords
hyperspectral anomaly target detection
RXD algorithm
block parallel
QR decomposition
high level synthesis (HLS)
acceleration scheme
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
结合区域引导和双注意力机制的高光谱目标检测判别式学习网络
钟佳平
李云松
谢卫莹
雷杰
Paolo Gamba
《电子学报》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
端到端分布式联合优化的空谱自编码密度估计模型
马纪涛
谢卫莹
雷杰
方乐缘
李云松
《电子学报》
EI
CAS
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
3
基于FPGA的高光谱异常目标检测RXD算法加速方案
郑毓轩
李云松
师艳子
曲家慧
谢卫莹
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2018
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
