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
2
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
基于深度特征提取残差网络的高光谱图像分类
1
作者
赵雪松
付民
刘雪峰
《电子测量技术》
北大核心
2024年第18期120-129,共10页
深度学习由于其模块化设计和强大的特征提取能力,已成为高光谱图像分类的重要手段之一。然而,如何有效地提取更深层次的特征以及同时提高分析空间和光谱联合特征的能力仍是亟待解决的问题。针对这些问题,本文提出了一种深度特征提取的...
深度学习由于其模块化设计和强大的特征提取能力,已成为高光谱图像分类的重要手段之一。然而,如何有效地提取更深层次的特征以及同时提高分析空间和光谱联合特征的能力仍是亟待解决的问题。针对这些问题,本文提出了一种深度特征提取的残差网络,该网络由两个关键部分组成:多级传递融合残差网络和空间-光谱多分辨率融合注意力残差网络。多级传递融合残差网络可以有效促进特征信息之间的相互作用,获得更深层次的特征。接着利用空间-光谱多分辨率融合注意力残差网络可以确保从高光谱数据中全面提取空间-光谱联合特征和多分辨率特征。为了验证其有效性,本文在Indian Pines,Pavia University和Salinas Valley三个高光谱数据集上对所提出方法的性能进行了评估,分类精度分别达到了98.10%,99.81%和99.94%。实验结果表明,与其他方法相比,该网络具有更好的泛化能力和分类性能。
展开更多
关键词
高
光谱
图像分类
残差网络
空间-光谱联合特征
多分辨率
在线阅读
下载PDF
职称材料
高光谱图像去噪的稀疏空谱Transformer模型
被引量：
1
2
作者
杨智翔
孙玉宝
+1 位作者
白志远
栾鸿康
《电子测量技术》
北大核心
2024年第1期150-158,共9页
现阶段Transformer模型的应用提升了高光谱图像去噪的性能,但原始Transformer模型对图像空间-光谱耦合关联性的利用仍存在不足;对空间特征的处理存在过于平滑,容易丢失小尺度结构的现象;同时在光谱维度上也过于关注全部通道特征,缺乏对...
现阶段Transformer模型的应用提升了高光谱图像去噪的性能,但原始Transformer模型对图像空间-光谱耦合关联性的利用仍存在不足;对空间特征的处理存在过于平滑,容易丢失小尺度结构的现象;同时在光谱维度上也过于关注全部通道特征,缺乏对不同光谱波段间差异性的利用;为了应对这些问题,本文提出了一种新的稀疏空谱Transformer模型,提升了对空谱耦合关联性的利用。在空间维度,引入局部增强模块增强空间特征细节,应对过平滑问题;同时在光谱维度上提出了Top-k稀疏自注意力机制,自适应选择前K个最相关的光谱通道特征进行特征交互,从而能够有效捕获空谱特征。最终通过稀疏空谱Transformer的层级残差连接实现高光谱图像的去噪。在ICVL数据集上分别对高斯噪声和复杂噪声进行去噪处理,峰值信噪比分别达到40.56 dB和40.19 dB,证明了本文提出的稀疏空谱Transformer模型优越的性能。
展开更多
关键词
高
光谱
图像去噪
空间-光谱联合特征
稀疏Transformer
在线阅读
下载PDF
职称材料
题名
基于深度特征提取残差网络的高光谱图像分类
1
作者
赵雪松
付民
刘雪峰
机构
青岛科技大学自动化与电子工程学院
中国海洋大学信息科学与工程学部电子工程学院
出处
《电子测量技术》
北大核心
2024年第18期120-129,共10页
基金
国家自然科学基金(61971253)
山东省自然科学基金(ZR2020MF011)项目资助。
文摘
深度学习由于其模块化设计和强大的特征提取能力,已成为高光谱图像分类的重要手段之一。然而,如何有效地提取更深层次的特征以及同时提高分析空间和光谱联合特征的能力仍是亟待解决的问题。针对这些问题,本文提出了一种深度特征提取的残差网络,该网络由两个关键部分组成:多级传递融合残差网络和空间-光谱多分辨率融合注意力残差网络。多级传递融合残差网络可以有效促进特征信息之间的相互作用,获得更深层次的特征。接着利用空间-光谱多分辨率融合注意力残差网络可以确保从高光谱数据中全面提取空间-光谱联合特征和多分辨率特征。为了验证其有效性,本文在Indian Pines,Pavia University和Salinas Valley三个高光谱数据集上对所提出方法的性能进行了评估,分类精度分别达到了98.10%,99.81%和99.94%。实验结果表明,与其他方法相比,该网络具有更好的泛化能力和分类性能。
关键词
高
光谱
图像分类
残差网络
空间-光谱联合特征
多分辨率
Keywords
hyperspectral image classification
residual network
spatial
-
spectral joint features
multi
-
resolution
分类号
TN919.82 [电子电信—通信与信息系统]
在线阅读
下载PDF
职称材料
题名
高光谱图像去噪的稀疏空谱Transformer模型
被引量：
1
2
作者
杨智翔
孙玉宝
白志远
栾鸿康
机构
南京信息工程大学计算机学院网络空间安全学院
出处
《电子测量技术》
北大核心
2024年第1期150-158,共9页
基金
国家自然科学基金(62276139,U2001211)项目资助。
文摘
现阶段Transformer模型的应用提升了高光谱图像去噪的性能,但原始Transformer模型对图像空间-光谱耦合关联性的利用仍存在不足;对空间特征的处理存在过于平滑,容易丢失小尺度结构的现象;同时在光谱维度上也过于关注全部通道特征,缺乏对不同光谱波段间差异性的利用;为了应对这些问题,本文提出了一种新的稀疏空谱Transformer模型,提升了对空谱耦合关联性的利用。在空间维度,引入局部增强模块增强空间特征细节,应对过平滑问题;同时在光谱维度上提出了Top-k稀疏自注意力机制,自适应选择前K个最相关的光谱通道特征进行特征交互,从而能够有效捕获空谱特征。最终通过稀疏空谱Transformer的层级残差连接实现高光谱图像的去噪。在ICVL数据集上分别对高斯噪声和复杂噪声进行去噪处理,峰值信噪比分别达到40.56 dB和40.19 dB,证明了本文提出的稀疏空谱Transformer模型优越的性能。
关键词
高
光谱
图像去噪
空间-光谱联合特征
稀疏Transformer
Keywords
hyperspectral image denoising
spatial
-
spectral joint feature
sparse Transformer
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
基于深度特征提取残差网络的高光谱图像分类
赵雪松
付民
刘雪峰
《电子测量技术》
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
高光谱图像去噪的稀疏空谱Transformer模型
杨智翔
孙玉宝
白志远
栾鸿康
《电子测量技术》
北大核心
2024
1
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
