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
基于光谱-空间注意力残差网络的高光谱图像分类
被引量：
4
1
作者
汪菲菲
赵慧洁
+2 位作者
李娜
李思远
蔡昱
《光子学报》
EI
CAS
CSCD
北大核心
2023年第12期200-218,共19页
在高光谱图像分类任务中,引入注意力改变提取到的光谱和空间特征权重,有效突出重要特征,提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中,引入中心区域光谱注意力机制,在避免干扰像素对波段权重影响的同时,利用...
在高光谱图像分类任务中,引入注意力改变提取到的光谱和空间特征权重,有效突出重要特征,提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中,引入中心区域光谱注意力机制,在避免干扰像素对波段权重影响的同时,利用周围像素增强中心像素波段,增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络,该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征,并通过残差网络连接特征提取模块,缓解了精度下降问题,保证网络良好的分类性能。在4个公开数据集上,所提出的分类算法和其他算法相比,各项指标均达到最优。
展开更多
关键词
光谱
-空间特征
残差网络
高
光谱
分类
光谱注意力机制
空间
注意力
机制
在线阅读
下载PDF
职称材料
混合深度CNN联合注意力的高光谱图像分类
被引量：
9
2
作者
王燕
吕艳萍
《计算机科学与探索》
CSCD
北大核心
2023年第2期385-395,共11页
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出...
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。
展开更多
关键词
高
光谱
图像分类
核主成分分析(KPCA)
卷积神经网络(CNN)
光谱
-空间
注意力
机制
深度学习
在线阅读
下载PDF
职称材料
基于多尺度非对称密集网络的高光谱图像分类
3
作者
蔡轶珩
谭美伶
+1 位作者
潘建军
何楷祺
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第4期1448-1457,共10页
近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的...
近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性,该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先,提出一个多尺度样本构建模块,通过在每个像素周围提取多个尺度的图像块,并进行反卷积和拼接以构建输入样本,使其既包含详细的结构区域,又包含较大的同质区域;然后,提出一个非对称密集连接结构,在空间和光谱特征联合提取中实现核骨架增强,即增强了方形卷积核的中心十字区域部分提取的特征,有效地促进了特征重用。此外,为了提高光谱特征的鉴别性,提出一种精简的元素光谱注意力机制,并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下,该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%,取得了极具竞争力的分类结果。
展开更多
关键词
高
光谱
图像分类
多尺度
非对称卷积
光谱注意力机制
在线阅读
下载PDF
职称材料
题名
基于光谱-空间注意力残差网络的高光谱图像分类
被引量：
4
1
作者
汪菲菲
赵慧洁
李娜
李思远
蔡昱
机构
北京航空航天大学
北京航空航天大学人工智能研究院
北京航空航天大学“空天光学-微波一体化精准智能感知”工信部重点实验室
中国科学院西安光学精密机械研究所
中国运载火箭技术研究院
出处
《光子学报》
EI
CAS
CSCD
北大核心
2023年第12期200-218,共19页
基金
国家自然科学基金(No.61975004)
预研项目(No.6230111002)。
文摘
在高光谱图像分类任务中,引入注意力改变提取到的光谱和空间特征权重,有效突出重要特征,提高分类准确率。将注意力机制、残差网络和特征提取模块集成到分类框架中,引入中心区域光谱注意力机制,在避免干扰像素对波段权重影响的同时,利用周围像素增强中心像素波段,增强光谱特征的鲁棒性进而提取有效的光谱特征。并在此基础上提出了光谱-空间注意力残差网络,该网络可以从高光谱图像中连续提取到丰富的光谱特征和空间特征,并通过残差网络连接特征提取模块,缓解了精度下降问题,保证网络良好的分类性能。在4个公开数据集上,所提出的分类算法和其他算法相比,各项指标均达到最优。
关键词
光谱
-空间特征
残差网络
高
光谱
分类
光谱注意力机制
空间
注意力
机制
Keywords
Spectral-spatial feature
Residual network
Hyperspectral image classification
Spectral attention mechanism
Spatial attention mechanism
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
混合深度CNN联合注意力的高光谱图像分类
被引量：
9
2
作者
王燕
吕艳萍
机构
兰州理工大学计算机与通信学院
出处
《计算机科学与探索》
CSCD
北大核心
2023年第2期385-395,共11页
基金
国家自然科学基金(61863025)
甘肃省重点研发计划-工业类(18YF1GA060)。
文摘
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。
关键词
高
光谱
图像分类
核主成分分析(KPCA)
卷积神经网络(CNN)
光谱
-空间
注意力
机制
深度学习
Keywords
hyperspectral image classification
kernel principal component analysis(KPCA)
convolutional neural networks(CNN)
spectral-spatial attention mechanism
deep learning
分类号
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
基于多尺度非对称密集网络的高光谱图像分类
3
作者
蔡轶珩
谭美伶
潘建军
何楷祺
机构
北京工业大学信息与通信工程学院
出处
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024年第4期1448-1457,共10页
基金
国家重点研发计划(2017YFC1703302)。
文摘
近年来,基于有限标记样本的高光谱图像(HSI)分类方法取得了重大进展。然而,由于高光谱图像的特殊性,冗余的信息和有限的标记样本给提取强判别特征带来了巨大挑战。此外,由于各类别像素分布不均,如何强化中心像素的作用,减弱不同类别的周围像素的负面影响也是提高分类性能的关键。为了克服上述局限性,该文提出一种基于多尺度非对称密集网络(MS-ADNet)的高光谱图像分类方法。首先,提出一个多尺度样本构建模块,通过在每个像素周围提取多个尺度的图像块,并进行反卷积和拼接以构建输入样本,使其既包含详细的结构区域,又包含较大的同质区域;然后,提出一个非对称密集连接结构,在空间和光谱特征联合提取中实现核骨架增强,即增强了方形卷积核的中心十字区域部分提取的特征,有效地促进了特征重用。此外,为了提高光谱特征的鉴别性,提出一种精简的元素光谱注意力机制,并将其置于密集连接网络的前端和后端。在每类仅采用5个样本进行网络训练的情况下,该方法在Indiana Pines, Pavia University和Salinas数据集上的总体准确率分别达到了77.66%, 84.54%和92.39%,取得了极具竞争力的分类结果。
关键词
高
光谱
图像分类
多尺度
非对称卷积
光谱注意力机制
Keywords
HyperSpectral Image(HSI)classification
Multiscale
Asymmetric convolution
Spectral attention mechanism
分类号
TN911.73 [电子电信—通信与信息系统]
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
基于光谱-空间注意力残差网络的高光谱图像分类
汪菲菲
赵慧洁
李娜
李思远
蔡昱
《光子学报》
EI
CAS
CSCD
北大核心
2023
4
在线阅读
下载PDF
职称材料
2
混合深度CNN联合注意力的高光谱图像分类
王燕
吕艳萍
《计算机科学与探索》
CSCD
北大核心
2023
9
在线阅读
下载PDF
职称材料
3
基于多尺度非对称密集网络的高光谱图像分类
蔡轶珩
谭美伶
潘建军
何楷祺
《电子与信息学报》
EI
CAS
CSCD
北大核心
2024
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
