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
CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类
1
作者
吴海滨
戴诗语
+2 位作者
王爱丽
岩堀祐之
于效宇
《光学精密工程》
EI
CAS
CSCD
北大核心
2024年第7期1087-1100,共14页
针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CL...
针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。
展开更多
关键词
高光谱图像
激光雷达数据
TRANSFORMER
卷积神经网络
对比学习
在线阅读
下载PDF
职称材料
基于空间金字塔注意力机制残差网络的高光谱图像分类
被引量：
1
2
作者
刘和
宋璎珞
+3 位作者
胡龙湘
刘国辉
王侃
王爱丽
《液晶与显示》
CAS
CSCD
北大核心
2024年第6期833-843,共11页
为了提取高光谱图像的空间-光谱联合特征,本文提出了一种基于改进的空间金字塔注意力机制残差网络的高光谱图像分类模型。首先采用主成分分析法去除光谱冗余,结合空间金字塔注意力机制,改进残差网络的高光谱图像分类模型获取精细化特征...
为了提取高光谱图像的空间-光谱联合特征,本文提出了一种基于改进的空间金字塔注意力机制残差网络的高光谱图像分类模型。首先采用主成分分析法去除光谱冗余,结合空间金字塔注意力机制,改进残差网络的高光谱图像分类模型获取精细化特征。然后利用空间金字塔注意力模型实现多尺度联合特征关注,提升对联合特征的敏感性,并有效地强调并聚焦空间和光谱信息,实现信息交互。最后经过Softmax分类器获得分类标签。本文提出的方法在MUUFL和Tento数据集上进行了实验,结果表明,本文算法的总体分类精度分别达到了94.08%和98.32%。相比于其他高光谱分类模型,本文模型的收敛速度较快,在分类性能上取得了明显的提升,获得了更高的地物分类精度。
展开更多
关键词
高光谱
图像分类
注意力机制
空间-光谱特征
在线阅读
下载PDF
职称材料
题名
CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类
1
作者
吴海滨
戴诗语
王爱丽
岩堀祐之
于效宇
机构
哈尔滨理工大学测控技术与通信工程学院黑龙江省激光光谱技术及应用重点实验室
中部
大学
计算机科学
学院
电子科技
大学
中山
学院
电子信息
学院
出处
《光学精密工程》
EI
CAS
CSCD
北大核心
2024年第7期1087-1100,共14页
基金
黑龙江省自然科学基金资助项目(No.JJ2023LH1143)
黑龙江省重点研发计划资助项目(No.JD2023SJ19)
+1 种基金
“一带一路”创新人才交流外国专家项目(No.G2022012010L)
黑龙江省级领军人才梯队后备带头人资助项目。
文摘
针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。
关键词
高光谱图像
激光雷达数据
TRANSFORMER
卷积神经网络
对比学习
Keywords
hyperspectral image
LiDAR data
transformer
convolutional neural network
contrastive learning
分类号
TP394.1 [自动化与计算机技术—计算机应用技术]
TH691.9 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
基于空间金字塔注意力机制残差网络的高光谱图像分类
被引量：
1
2
作者
刘和
宋璎珞
胡龙湘
刘国辉
王侃
王爱丽
机构
国网
黑龙江省
电力有限公司综合信息中心
哈尔滨理工大学测控技术与通信工程学院黑龙江省激光光谱技术及应用重点实验室
出处
《液晶与显示》
CAS
CSCD
北大核心
2024年第6期833-843,共11页
基金
国网黑龙江省电力公司科技项目(No.522411230008)。
文摘
为了提取高光谱图像的空间-光谱联合特征,本文提出了一种基于改进的空间金字塔注意力机制残差网络的高光谱图像分类模型。首先采用主成分分析法去除光谱冗余,结合空间金字塔注意力机制,改进残差网络的高光谱图像分类模型获取精细化特征。然后利用空间金字塔注意力模型实现多尺度联合特征关注,提升对联合特征的敏感性,并有效地强调并聚焦空间和光谱信息,实现信息交互。最后经过Softmax分类器获得分类标签。本文提出的方法在MUUFL和Tento数据集上进行了实验,结果表明,本文算法的总体分类精度分别达到了94.08%和98.32%。相比于其他高光谱分类模型,本文模型的收敛速度较快,在分类性能上取得了明显的提升,获得了更高的地物分类精度。
关键词
高光谱
图像分类
注意力机制
空间-光谱特征
Keywords
hyperspectral image
image classification
attention mechanism
spatial-spectral feature
分类号
TP391 [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
作者
出处
发文年
被引量
操作
1
CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类
吴海滨
戴诗语
王爱丽
岩堀祐之
于效宇
《光学精密工程》
EI
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于空间金字塔注意力机制残差网络的高光谱图像分类
刘和
宋璎珞
胡龙湘
刘国辉
王侃
王爱丽
《液晶与显示》
CAS
CSCD
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
