基于卷积神经网络编码加扰类型识别

1

作者 卫翔 刘星璇 谭继远 《火力与指挥控制》 CSCD 北大核心 2024年第11期118-127,共10页

针对线性分组码加扰和卷积码加扰类型的识别问题,提出了一种利用相关特征和浅层神经网络相结合的加扰类型识别方法。推导了加扰序列码元的互相关特征,引入了有偏自相关函数,两者结合作为输入的相关特征;在分析加扰序列相关性的基础上,... 针对线性分组码加扰和卷积码加扰类型的识别问题,提出了一种利用相关特征和浅层神经网络相结合的加扰类型识别方法。推导了加扰序列码元的互相关特征,引入了有偏自相关函数,两者结合作为输入的相关特征;在分析加扰序列相关性的基础上,构建了实时性较强的浅层神经网络模型;将加扰数据集输入到网络模型中,完成了网络的训练和识别测试。仿真结果表明,相比于基于多重分型谱的传统算法,所提算法能识别多种加扰类型,同时所提算法的抗误码性能更强,为进一步进行扰码参数识别奠定了基础。 展开更多

关键词 线性分组码加扰 卷积码加扰 码元互相关 有偏自相关函数 浅层神经网络

在线阅读 下载PDF 职称材料

融合浅层特征的深度卷积神经网络互花米草遥感监测方法 被引量：9

2

作者 朱玉玲 王建步 +6 位作者 王安东 王锦锦 赵晓龙 任广波 胡亚斌 陈晓英 马毅 《海洋科学》 CAS 北大核心 2019年第7期12-22,共11页

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deep convolutional neural network,DCNN)分类模型,开展互花米草(Spartina alterniflora Loisel... 基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deep convolutional neural network,DCNN)分类模型,开展互花米草(Spartina alterniflora Loisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine,SVM)、随机森林(random forest,RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中,DCNN有着更好的应用潜力;(2)融合浅层特征后,DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。 展开更多

关键词 深度卷积神经网络(deep convolutional NEURAL network DCNN) 浅层特征融合 湿地分类 互花米草(Spartina alterniflora Loisel) 黄河口

在线阅读 下载PDF 职称材料

基于BERT与多通道卷积神经网络的细粒度情感分类 被引量：5

3

作者 诸林云 范菁 +1 位作者 曲金帅 代婷婷 《科学技术与工程》 北大核心 2023年第33期14264-14270,共7页

为了分析突发事件期间网络舆论的情感倾向,以更有效地调节人们的情绪,维护社会稳定。提出了一种融合BERT模型和多通道卷积神经网络的深度学习方法用于细粒度情感分类,以获取更加丰富的文本语义特征信息。通过BERT对输入的文本进行编码,... 为了分析突发事件期间网络舆论的情感倾向,以更有效地调节人们的情绪,维护社会稳定。提出了一种融合BERT模型和多通道卷积神经网络的深度学习方法用于细粒度情感分类,以获取更加丰富的文本语义特征信息。通过BERT对输入的文本进行编码,以增强文本的语义特征表示,再通过具有多个不同大小的卷积核的并行卷积层来学习文本特征,捕获文本的深层次特征,提升模型在文本分类的性能。对比实验表明,该模型在准确性、召回率和F 1方面均优于传统的情感分类模型,并能显著改善细粒度情感分类的性能。除此之外,还探究了表情符号对细粒度情感分类模型的影响,实验结果表明表情符号转换成文字后可以增强文本的情感特征提取能力,提升模型分类性能。 展开更多

关键词 网络舆论 情感细粒度分类 BERT模型 多通道卷积神经网络 并行卷积层

在线阅读 下载PDF 职称材料

基于级联卷积神经网络的图像篡改检测算法 被引量：9

4

作者 毕秀丽 魏杨 +2 位作者 肖斌 李伟生 马建峰 《电子与信息学报》 EI CSCD 北大核心 2019年第12期2987-2994,共8页

基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然... 基于卷积神经网络的图像篡改检测算法利用卷积神经网络的学习能力可以实现不依赖于单一图像属性的图像篡改检测,弥补传统图像篡改检测方法依赖单一图像属性、适用度不高的缺陷。利用深层多神经元的单一网络结构的图像篡改检测算法虽然可以学习更高级的语义信息,但检测定位篡改区域效果并不理想。该文提出一种基于级联卷积神经网络的图像篡改检测算法,在卷积神经网络所展示出来的普遍特性的基础上进一步探究其深层次的特性,利用浅层稀神经元的级联网络结构弥补以往深层多神经元的单一网络结构在图像篡改检测中的缺陷。该文提出的检测算法由级联卷积神经网络和自适应筛选后处理两部分组成,级联卷积神经网络实现分级式的篡改区域定位,自适应筛选后处理对级联卷积神经网络的检测结果进行优化。通过实验对比,该文算法展示了较好的检测效果,且具有较高的鲁棒性。 展开更多

关键词 图像篡改检测 级联卷积神经网络 浅层稀神经元 级联网络结构 自适应筛选后处理

在线阅读 下载PDF 职称材料

基于空间权重和层间相关性的可解释浅层类激活映射算法研究

5

作者 程艳 何慧娟 +2 位作者 陈彦滢 姚楠楠 林国波 《计算机科学》 北大核心 2025年第S1期498-504,共7页

卷积神经网络在计算机视觉领域具有重要作用,然而其黑盒特性使人们理解其决策理由变得困难,严重阻碍了其在某些安全领域的应用。传统的类激活映射(Class Activation Mapping,CAM)算法通常受限于深层神经元的可解释性,对浅层神经元的解... 卷积神经网络在计算机视觉领域具有重要作用,然而其黑盒特性使人们理解其决策理由变得困难,严重阻碍了其在某些安全领域的应用。传统的类激活映射(Class Activation Mapping,CAM)算法通常受限于深层神经元的可解释性,对浅层神经元的解释能力较弱且存在较多噪声。为了应对这一挑战,提出一种可解释浅层的类激活映射算法,并生成细粒度的解释。该算法基于相关性传播理论,考虑相邻层之间的相关性,得到层间相关性权重,并将应用了空间权重的特征图作为掩码,与层间相关性权重相乘,从而实现浅层解释。实验结果表明,所提算法与解释浅层最优的LayerCAM相比,卷积神经网络每层生成的类激活图的删除插入测试综合评分在ILSVRC2012 val数据集上最高提高了2.73,最低提高了0.24,在CUB-200-2011数据集上最高提高了1.31,最低提高了0.38。 展开更多

关键词 类激活映射算法 卷积神经网络 浅层神经元 空间权重 层间相关性

在线阅读 下载PDF 职称材料

采用多通道浅层CNN构建的多降噪器最优组合模型 被引量：1

6

作者 徐少平 林珍玉 +2 位作者 陈孝国 李芬 杨晓辉 《自动化学报》 EI CAS CSCD 北大核心 2022年第11期2797-2811,共15页

现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基... 现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers,OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像. 展开更多

关键词 多降噪器最优组合 一致性神经网络 多通道浅层卷积神经网络 降噪效果提升 执行效率

在线阅读 下载PDF 职称材料

基于多层感知卷积和通道加权的图像隐写检测 被引量：1

7

作者 叶学义 郭文风 +2 位作者 曾懋胜 张珂绅 赵知劲 《电子与信息学报》 EI CSCD 北大核心 2022年第8期2949-2956,共8页

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增... 针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积,增强隐写检测模型对高阶特征的表达能力;同时引入通道加权模块,实现根据全局信息对每个卷积通道赋予不同的权重,增强有用特征并抑制无用特征,增强模型提取检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net,Yedroudj-Net,Zhang-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95%~6.15%。 展开更多

关键词 隐写检测 卷积神经网络 多层感知卷积 通道加权

在线阅读 下载PDF 职称材料

基于浅层Inception-MobileNet旋转机械故障诊断 被引量：4

8

作者 孙国栋 杨雄 +1 位作者 黄得龙 高媛 《噪声与振动控制》 CSCD 北大核心 2022年第5期108-115,共8页

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺... 针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。 展开更多

关键词 故障诊断 旋转机械 浅层Inception-MobileNet 卷积神经网络

在线阅读 下载PDF 职称材料

基于自适应特征卷积网络的行人检测方法

9

作者 陈乔松 弓攀豪 +4 位作者 申发海 陶亚 董广县 王进 邓欣 《计算机应用研究》 CSCD 北大核心 2020年第7期2202-2205,2226,共5页

针对行人检测方法未能充分利用卷积网络浅层特征的问题,改进Faster R-CNN框架,提出了一种基于自适应特征卷积网络的行人检测方法。该方法有两处改进:a)设计了SFCM模块,用于提取卷积神经网络浅层细节特征;b)引用挤压与激励操作设计了AFC... 针对行人检测方法未能充分利用卷积网络浅层特征的问题,改进Faster R-CNN框架,提出了一种基于自适应特征卷积网络的行人检测方法。该方法有两处改进:a)设计了SFCM模块,用于提取卷积神经网络浅层细节特征;b)引用挤压与激励操作设计了AFCM模块,用于筛选检测所需的强辨识力行人特征。此外,利用公开的Caltech和INRIA行人数据集,通过在基准框架中逐一添加SFCM和AFCM模块训练行人检测器,验证了所提模块的有效性,并对比了主流行人检测算法。实验结果显示,所提方法的误检率分别降到了9.13%和9.46%,具有更优的检测性能。 展开更多

关键词 行人检测 卷积神经网络 浅层细节特征 自适应特征

在线阅读 下载PDF 职称材料

基于改进卷积的多尺度表情识别 被引量：3

10

作者 郑浩 赵光哲 《计算机工程与应用》 CSCD 北大核心 2024年第2期231-243,共13页

在表情识别任务中由于人脸特征的多样性和不确定性,导致在特征提取阶段容易出现特征缺失以及特征提取率低下等问题,与此同时,在具有特征复用结构的网络训练过程中还会堆积大量冗余特征,从而影响特征质量。针对以上问题,提出了一种基于... 在表情识别任务中由于人脸特征的多样性和不确定性,导致在特征提取阶段容易出现特征缺失以及特征提取率低下等问题,与此同时,在具有特征复用结构的网络训练过程中还会堆积大量冗余特征,从而影响特征质量。针对以上问题,提出了一种基于特征筛选结合改进卷积的残差多尺度特征融合注意力机制模型(residual multiscale feature fusion attentional network,RMFANet)。参考蓝图可分离卷积以及空洞卷积的思想,设计并引入了改进后的卷积形式,从而更有效地将卷积进行分离,提升特征提取效能;在改进后卷积模式的基础上设计并引入了多尺度并行特征提取通路,丰富了特征信息;设计并引入了特征筛选模块,以减少模型训练过程中产生的冗余特征,同时筛选出优质特征,提升特征质量;设计并引入了浅层输入特征处理层,以简化网络结构,降低计算复杂度;引入通道注意力机制,以突出局部关键特征信息;最后引入SMU激活函数,从而提升模型的非线性能力。通过实验结果可以看出,该模型可以在保证较低参数量以及计算成本的前提条件下在Fer2013数据集以及CK+数据集上分别取得70.298%和96.566%的识别准确率,相比较传统算法而言具有更好的鲁棒性。 展开更多

关键词 多尺度表情识别 改进卷积 特征筛选 浅层特征处理 通道注意力机制 SMU激活函数

在线阅读 下载PDF 职称材料

基于多通路CNN的多模态MRI神经胶质瘤分割 被引量：9

11

作者 朱婷 王瑜 +1 位作者 肖洪兵 曹利红 《计算机应用与软件》 北大核心 2018年第4期220-226,共7页

由于传统卷积神经网络CNN(Convolutional Neural Networks)受卷积核尺度的限制,容易丢失磁共振成像MRI(Magnetic Resonance Imaging)脑肿瘤图像的全局信息,而且卷积、池化的过程会导致网络浅层的部分信息丢失,造成基于CNN的脑肿瘤分割... 由于传统卷积神经网络CNN(Convolutional Neural Networks)受卷积核尺度的限制,容易丢失磁共振成像MRI(Magnetic Resonance Imaging)脑肿瘤图像的全局信息,而且卷积、池化的过程会导致网络浅层的部分信息丢失,造成基于CNN的脑肿瘤分割特征信息不足,分割精度不高。针对上述问题,提出一种具有全局通路,同时结合网络浅层信息的多通路CNN模型,用来完成多模态MRI脑部神经胶质瘤的全自动分割任务。算法主要思想:将三维多模态MRI图像沿轴向切片化,在相同序列的切片上按比例选取尺度为33×33像素的图像块,得到训练集;将训练集图像块输入多通路CNN模型进行训练;将测试集输入训练好的模型,将脑肿瘤从脑部MRI图像中正确分割出来,并具体划分为坏死、水肿、增强和非增强四种区域,利用模型评估参数Dice系数、敏感度(Sensitivity)系数和特异度(Specificity)系数评测模型的质量。实验结果表明,该方法操作简单,能够有效地完成脑肿瘤的分割任务。 展开更多

关键词 多模态磁共振成像 神经胶质瘤 浅层信息 全局信息 多通路卷积神经网络 全自动分割

在线阅读 下载PDF 职称材料

采用两阶段混合策略实现的低照度图像增强算法 被引量：5

12

作者 徐少平 陈孝国 +2 位作者 李芬 林珍玉 陈晓军 《电子学报》 EI CAS CSCD 北大核心 2021年第11期2166-2170,共5页

在深入分析现有各主流低照度图像增强(Low Light Image Enhancement,LLIE)算法的基础上,提出了一种采用两阶段混合策略实现的低照度图像增强(Hybrid LLIE,HLLIE)算法.具体地,在第一阶段,对于给定的低照度图像,利用互补效果较好的Fu和Yin... 在深入分析现有各主流低照度图像增强(Low Light Image Enhancement,LLIE)算法的基础上,提出了一种采用两阶段混合策略实现的低照度图像增强(Hybrid LLIE,HLLIE)算法.具体地,在第一阶段,对于给定的低照度图像,利用互补效果较好的Fu和Ying两个主流LLIE算法分别对其进行增强预处理,所得到的两张增强后图像称为初步增强图像;在第二阶段,将所得到的两张初步增强图像输入到预先训练好的多通道浅层卷积神经网络(Multi⁃channel Shallow Convolution Neural Network,MSCNN)模型中,由MSCNN模型将两张初步增强图像优化组合为一张具有更高图像质量的最终增强图像.实验结果表明:与各主流LLIE算法相比,所提出的HLLIE算法在各个客观图像质量评价指标上有显著优势,人工主观评价亦能证实这一点. 展开更多

关键词 低照度图像增强 两阶段混合策略 初步增强图像 多通道浅层卷积神经网络 组合

在线阅读 下载PDF 职称材料

深度学习研究进展 被引量：212

13

作者 郭丽丽 丁世飞 《计算机科学》 CSCD 北大核心 2015年第5期28-33,共6页

深度学习(Deep Learning)是一个近几年备受关注的研究领域,在机器学习中起着重要的作用。如果说浅层学习是机器学习的一次浪潮,那么深度学习作为机器学习的一个新领域,将掀起机器学习的又一次浪潮。深度学习通过建立、模拟人脑的分层结... 深度学习(Deep Learning)是一个近几年备受关注的研究领域,在机器学习中起着重要的作用。如果说浅层学习是机器学习的一次浪潮,那么深度学习作为机器学习的一个新领域,将掀起机器学习的又一次浪潮。深度学习通过建立、模拟人脑的分层结构来实现对外部输入的数据进行从低级到高级的特征提取,从而能够解释外部数据。首先介绍了深度学习的由来,分析了浅层学习存在的弊端;其次列举了深度学习的经典方法,主要以监督学习和无监督学习来展开介绍;然后对深度学习的最新研究进展及其应用进行了综述;最后总结了深度学习发展所面临的问题。 展开更多

关键词 机器学习 浅层学习 深度学习 卷积神经网络 深度置信网

在线阅读 下载PDF 职称材料

基于ChXNet的胸部X光肺炎检测方法 被引量：1

14

作者 叶青 谭泽贤 张永梅 《计算机工程与设计》 北大核心 2022年第10期2857-2864,共8页

为解决当下肺炎胸部X光自动检测准确率低的问题,提出一种基于胸部X光分类网络(chest X-r ayclassification network,Ch XNet)的肺炎检测方法,该方法能够自动对胸部X光进行检测诊断。利用预处理操作来丰富特征的多样性,将高效通道注意力... 为解决当下肺炎胸部X光自动检测准确率低的问题,提出一种基于胸部X光分类网络(chest X-r ayclassification network,Ch XNet)的肺炎检测方法,该方法能够自动对胸部X光进行检测诊断。利用预处理操作来丰富特征的多样性,将高效通道注意力模块(efficientchannelattentionmodule,ECA)以密集连接的方式加入密集连接网络中,增强有用信息的传递同时抑制无用信息的传递,使用基于Dropout方法构建的多层过渡分类结构,增强对相似特征的描述能力,减少冗余特征。通过大量实验,Ch XNet在三分类(正常、非新冠病毒肺炎、新冠肺炎)和四分类(正常、细菌性肺炎、普通病毒性肺炎、新冠肺炎)检测的最高准确率分别为99.845%和97.842%,表明该方法准确率高,检测速度快,可在肺炎的检测中作为辅助诊断方法。 展开更多

关键词 肺炎诊断 胸部X光 卷积神经网络 高效通道注意力机制 多层过渡分类网络 计算机辅助诊断

在线阅读 下载PDF 职称材料

基于自适应阈值的循环剪枝算法 被引量：1

15

作者 王以忠 郭振栋 +3 位作者 房臣 杨国威 王琦琦 郭肖勇 《计算机应用研究》 CSCD 北大核心 2022年第5期1467-1471,1477,共6页

针对YOLO系列目标检测算法中复杂的网络模型和大量冗余参数问题,提出了一种基于自适应阈值的循环剪枝算法:在经过基础训练和稀疏化训练后,进入到自适应阈值剪枝模块,该模块针对缩放因子分布情况,通过缩放因子对通道和卷积层的重要性进... 针对YOLO系列目标检测算法中复杂的网络模型和大量冗余参数问题,提出了一种基于自适应阈值的循环剪枝算法:在经过基础训练和稀疏化训练后,进入到自适应阈值剪枝模块,该模块针对缩放因子分布情况,通过缩放因子对通道和卷积层的重要性进行评估,自主学习到一个剪枝阈值,再对网络模型进行剪枝,此过程可以循环进行,并在通道剪枝和层剪枝中应用。该算法中的阈值不是人为设定,而是针对当前网络结构学习获得,通过剪枝获得一个更优的精简模型。算法实验基于YOLOv3在三个数据集上验证,结果表明,该算法对不同数据集、不同网络结构表现出较强的适应性,与传统固定阈值相比,通过自适应阈值剪枝的模型在检测精度、压缩效果、推理速度等方面都取得了更优的效果。 展开更多

关键词 深度学习 卷积神经网络 自适应阈值 通道剪枝 层剪枝

在线阅读 下载PDF 职称材料

用于SAR图像小目标舰船检测的改进SSD算法 被引量：35

16

作者 苏娟 杨龙 +1 位作者 黄华 金国栋 《系统工程与电子技术》 EI CSCD 北大核心 2020年第5期1026-1034,共9页

针对合成孔径雷达(synthetic aperture radar,SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR... 针对合成孔径雷达(synthetic aperture radar,SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。 展开更多

关键词 目标检测 卷积神经网络 迁移学习 浅层特征增强 空洞卷积

在线阅读 下载PDF 职称材料

基于改进的3D⁃CNN的高光谱遥感图像地物分类 被引量：3

17

作者 谢幸雨 贺辉 邢海花 《数据采集与处理》 CSCD 北大核心 2021年第1期156-163,共8页

高光谱遥感影像波段众多,包含丰富的辐射、空间和光谱信息,是多种信息的综合载体,应用广泛。但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取,却忽略了空间维度上的特征,进而影响了分类的准确性。三维卷积神经网络(Three⁃d... 高光谱遥感影像波段众多,包含丰富的辐射、空间和光谱信息,是多种信息的综合载体,应用广泛。但是传统的高光谱影像地物分类方法多着重于光谱维度的特征提取,却忽略了空间维度上的特征,进而影响了分类的准确性。三维卷积神经网络(Three⁃dimensional convolutional neural network,3D⁃CNN)可以同时在3个维度上对数据进行卷积处理,故本文采用3D⁃CNN深度网络进行高光谱影像地物分类,并针对3D⁃CNN网络存在的问题,提出了一种基于改进的3D⁃CNN的高光谱遥感影像地物分类方法。本文方法对提取到的空间和光谱特征实现融合复用,尽可能发挥特征的价值。此外,本文引入浅层特征细节保存网络的思想,提出一种综合浅层特征细节保存的影像分类深度网络模型,进一步提高了高光谱影像地物分类的准确度。在Tensorflow框架下对2个常用的高光谱遥感影像数据集(Indian Pines和Pavia University)的实验结果表明,相比基础的3D⁃CNN网络,本文方法的分类精度提高了近2%,而且类别边界更准确。 展开更多

关键词 高光谱图像分类 三维卷积神经网络 特征融合浅层 特征细节保存

在线阅读 下载PDF 职称材料