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
基于空间金字塔注意力机制残差网络的高光谱图像分类
1
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
空谱域适应与XGBoost结合的跨场景高光谱图像分类
被引量：
3
2
作者
王爱丽
丁姗姗
+2 位作者
刘和
吴海滨
岩堀祐之
《光学精密工程》
EI
CAS
CSCD
北大核心
2023年第13期1950-1961,共12页
针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolut...
针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolution Model,DOCM)和大核注意力(Large Kernel Attention,LKA)结合,构成空谱注意力模型,提取源域空谱特征。利用相同的空谱注意力模型对目标域进行特征提取,并与鉴别器完成对抗域适应,减少源域与目标域之间的频谱偏移;通过目标域中少量有标签数据对目标域特征提取器进行有监督域适应,使目标域特征提取器进一步学习目标域的真实分布,并对源域和目标域的特征进行映射,形成相似的空间分布,完成聚类域适应。最后,使用集成分类器XGBoost进行高光谱图像分类,进一步提高模型的训练速度与置信度。在Pavia和Indiana高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了91.62%和65.98%。相比较于其他跨场景高光谱图像分类模型,本文所提模型具有更高的地物分类精度。
展开更多
关键词
高光谱图像
域适应
大核注意力
XGBoost
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
1
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
空谱域适应与XGBoost结合的跨场景高光谱图像分类
被引量：
3
2
作者
王爱丽
丁姗姗
刘和
吴海滨
岩堀祐之
机构
哈尔滨理工大学
国网黑龙江省电力有限公司综合信息中心
中部大学计算机科学学院
出处
《光学精密工程》
EI
CAS
CSCD
北大核心
2023年第13期1950-1961,共12页
基金
国家自然科学基金资助项目(No.61671190)
“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
针对跨场景高光谱遥感图像分类中源域和目标域的频谱偏移问题,提出一种结合空谱域适应与极度梯度提升树(eXtreme Gradient Boosting, XGBoost)的跨场景高光谱图像分类模型。将深度超参数卷积模型(Depthwise Over-parameterized Convolution Model,DOCM)和大核注意力(Large Kernel Attention,LKA)结合,构成空谱注意力模型,提取源域空谱特征。利用相同的空谱注意力模型对目标域进行特征提取,并与鉴别器完成对抗域适应,减少源域与目标域之间的频谱偏移;通过目标域中少量有标签数据对目标域特征提取器进行有监督域适应,使目标域特征提取器进一步学习目标域的真实分布,并对源域和目标域的特征进行映射,形成相似的空间分布,完成聚类域适应。最后,使用集成分类器XGBoost进行高光谱图像分类,进一步提高模型的训练速度与置信度。在Pavia和Indiana高光谱数据集上的实验结果表明,本文算法的总体分类精度分别达到了91.62%和65.98%。相比较于其他跨场景高光谱图像分类模型,本文所提模型具有更高的地物分类精度。
关键词
高光谱图像
域适应
大核注意力
XGBoost
Keywords
hyperspectral images
domain adaptation
large kernel attention
XGBoost
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
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
0
在线阅读
下载PDF
职称材料
2
空谱域适应与XGBoost结合的跨场景高光谱图像分类
王爱丽
丁姗姗
刘和
吴海滨
岩堀祐之
《光学精密工程》
EI
CAS
CSCD
北大核心
2023
3
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
