CN118587482B 一种基于深度学习的空谱联合高光谱图像分类方法 （大连民族大学）_第1页
CN118587482B 一种基于深度学习的空谱联合高光谱图像分类方法 （大连民族大学）_第2页
CN118587482B 一种基于深度学习的空谱联合高光谱图像分类方法 （大连民族大学）_第3页
CN118587482B 一种基于深度学习的空谱联合高光谱图像分类方法 （大连民族大学）_第4页
CN118587482B 一种基于深度学习的空谱联合高光谱图像分类方法 （大连民族大学）_第5页
已阅读5页，还剩24页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度学习的空谱联合高光谱图像本发明提出了一种基于深度学习的空谱联于双分支多尺度空谱特征融合与注自意力机制空谱联合特征提取和空间信息提取的双分支多2利用卷积神经网络，建立基于双分支多尺度基于预处理后的所述高光谱图像数据，对所述原将高光谱图像数据通过注意力系数加权转化将高光谱图像数据通过注意力系数加权转化为所述原始高光谱图像分类模型包括：密集双分支金字塔特征提取模块所述密集双分支金字塔特征提取模块，用于提取高光谱图像数所述密集双分支金字塔特征提取模块包括：空谱联合特征提取分支和谱所述密集双分支金字塔特征提取模块将空间和谱间特征信息、光谱x3x3的3D卷积块；3H(i,m)表示第i个波段与第m个波段之X→x8ba)T所述空间注意力模块，将通道注意力模块输出特征图作为输入，首所述深度特征融合策略为：将经过整体空间特征提取器生成的高级特征4物目标的二维空间信息与一维光谱信息，从而获取光谱分辨率高且波段众多的高光谱图分类模型能够更好的表达数据集本身的特点避免了通过专家先验知识手动设计特征的过[0007]通常来说，随着网络的不断加深所提取到的特征会逐渐从低级特征走向高级特模型搭建在取得了一定成果同时存在种种缺陷，比如基于孪生网络的高光谱图像分类方5[0010]本发明的目的在于是针对基于传统卷积神经网络的高光谱图像分类模型在特征[0014]基于预处理后的所述高光谱图像数据，对所述原始高光谱图像分类模型进行训6[0031]X→x8baN7[0052]图1为本发明实施例的一种基于深度学习的空谱联合高光谱图像分类方法流程示[0053]图2为本发明实施例的基于双分支多尺度空谱特征融合与注自意力机制的高光谱89[0105]上述的空间特征提取器由3个2D卷积块作为基本组件构成，详细设置如表3所提取器生成的高级特征图上采样到与输入的低级特征图相同的尺寸，随后进行通道级融通道_空间注意力模块的三层2维卷积块以及相应的批量归一化层(BN)和线性整流单元Dropout在一定程度上达到正则化效果，缓解过拟合发生；选择了ReLU作为非线性激活函[0117]本发明实施例的运算环境为IntelCorei7_13700KF处理器以及NVIDIAGeForce算正确分类的样本与测试集中所有样本的比例，AA用于确定所有类别的平均分类准确率，同时它可以很好地评估具有较少训练样本的类的分类结果，基于混淆矩阵计算的Kappa系数表示分类模型得到的分类标签与地面真实标签[0123]如表4所示，本发明实施例提出的高光谱图像分类模型的OA为99.76比其他基[0126]因此本实施例提出了一种高精度的双分支多尺度特征聚合与自注意力机制的高

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论