共查询到14条相似文献，搜索用时 156 毫秒
1.
结合K-means算法和谱聚类方法的优点，提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上，采用K-means算法对图像进行粗聚类处理，然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比，该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明，相对于K-means和谱聚类方法，该方法具有良好的聚类性能。 相似文献
2.
基于仿真SAR图像深度迁移学习的自动目标识别 总被引：1，自引：0，他引：1
使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。 相似文献
3.
合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。 相似文献
4.
在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。 相似文献
5.
当前，基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预，难以自动化，且易因忽略部分有效特征而导致精度降低。针对这些问题，提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息，对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图，采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明，该方法可有效减少“椒盐”噪声的产生，且地块边界轮廓线清晰，总体分类精度达到95.12%，高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组；对于“异物同谱”现象明显的春玉米与番茄，该方法的F1-score分别达到95.9%与89.9%，相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。 相似文献
6.
《沈阳大学学报（自然科学版）》2014,(6)
针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入(SELSE)算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高. 相似文献
7.
针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。 相似文献
8.
遥感图像上的飞机目标检测是一件极富挑战性的工作，吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法，这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力，是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题，提出一种基于生成对抗网络（generative adversarial networks，GAN）的半监督检测方法。在遥感图像飞机目标检测中，该方法不需要标记全部用于训练的图像，只需要标记其中一小部分样本，再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中，生成器学习数据分布并生成假样本，判别器判别真假样本，同时判别器还需要从标记数据中学习类别信息。最后，判别器学习到的决策分类面不仅仅区分出标记数据，而且平行于数据分布的边界。实验证明，在存在大量可供训练的图像的基础上，减少标注数据的比例，全监督学习方法性能会大幅下降；而本文提出的半监督学习方法，由于利用了未标注的数据，能保持更好的检测性能。 相似文献
9.
《沈阳大学学报（自然科学版）》2015,(4)
针对目前高光谱图像基于流形学习的无监督特征提取算法中只能够单独描述高维数据空间局部或者全局的几何结构,并且没有一种算法能够同时保持高维数据全局和局部的几何结构的问题,提出了一种基于全局和局部流形结构的无监督特征提取算法(GLMS)对高光谱图像进行特征提取.算法基于流形学习基本理论,需要建立两种保持流形结构的近邻图,分别用来描述数据的全局和局部的流形结构,通过求解广义特征值问题获得重构权值矩阵进而得到低维嵌入空间的最优投影,以达到降维的目的.在AVIRIS高光谱图像以及Indian Pine和Salina数据集上进行仿真对比实验,结果表明,提出的算法在分类精度和计算效率上有较好的提高. 相似文献
10.
针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络（spoon-net,S-Net）,应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。 相似文献
11.
在卧龙大熊猫自然保护区,难以获取高质量的光学遥感影像,加之地形和植被类型复杂多样,地物分类精度低,对利用遥感技术研究大熊猫生境造成了困难.为此,本工作探究一种提高遥感分类精度的方法.首先分别利用缨帽变换和匹配滤波方法提取影像的亮度、绿度、湿度和丰度等特征,建立基于多特征数据的决策树分类规则进行分类,最后利用野外实测数据对分类结果进行验证.研究结果表明:绿度特征对提取林地非常有效,湿度分量可以区分草甸与灌丛,亮度特征则提高了雪地的分类精度.匹配滤波可以实现混合像元分解,去除部分噪声并快速探测目标地物的波谱特征.基于多特征数据决策树遥感分类的总体精度达到83.33%,比传统的最大似然法分类精度提高8.67%.本文方法在卧龙大熊猫自然保护区等地物分类中取得了较好的应用效果. 相似文献
12.
在对地观测领域,高光谱图像得到了广泛应用,但存在数据量大、波段间相关性高等问题. 针对以上问题分析了已有的波段选择方法,提出了基于信息量及类间可分离性准则的遗传算法对高光谱图像进行波段选择:构造波段互相关系数矩阵进行子空间划分;利用联合熵作为组合信息量的标准,Bhattacharyya距离作为类间可分离性标准,构造遗传算法的适应度方程,改进了遗传算法中的选择算子. 最后用AVIRIS图像对提出的算法进行试验,并利用最大似然分类法对最优波段组合进行分类,总体分类精度达到94.24%,Kappa系数达到0.94. 相似文献
13.
提出一种基于特征筛选和二级分类的建筑提取算法。该算法首先对极化SAR数据进行精致Lee滤波,获取多维极化特征和纹理特征构成原始特征集;然后将随机森林作为初级分类器评估各特征的重要性,依据重要性排名进行特征筛选;最后通过支持向量机对特征子集进行次级分类,并用邻域投票法将两级分类结果融合。AIRSAR极化数据实验结果表明,本算法可有效提高极化SAR建筑提取准确率。 相似文献
14.
针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷 ,提出一种基于U D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比 ,该方法不仅大大加快了学习收敛速度、数值稳定性好 ,而且比BP算法需较少学习次数和隐节点数 ,学习效果也更好。将这种学习算法应用在船舶操纵的神经网络控制器中 ,仿真结果表明该方法是提高网络学习速度、改善学习效果的一种有效方法 ,可有效解决非线性系统的控制问题。 相似文献