给大家分享5篇关于高光谱图像分类的计算机专业论文

今天分享的是关于高光谱图像分类的5篇计算机毕业论文范文, 如果你的论文涉及到高光谱图像分类等主题,本文能够帮助到你

基于轻量级多尺度空谱特征融合网络的高光谱图像分类方法研究

这是一篇关于高光谱图像分类,多尺度特征,注意力机制,卷积神经网络的论文, 主要内容为高光谱图像是一种新型三维立方体图像,拥有丰富的空间显示信息和高维的连续光谱信息。与其他遥感图像数据相比,高光谱图像更适合于特征识别和精细分类。通过分析光谱和空间信息对高光谱图像进行分类,以确定最突出的特征,再进行分类系统建模,让单个图像元素被赋予适当的类别属性。然而,高光谱图像存在波段多、标签样本少、高光谱分辨率,以及同谱异物与同物异谱的情况,这给高光谱图像分类带来了巨大的挑战。针对上述问题,本文基于轻量级多尺度空谱特征融合的角度展开了如下研究:(1)在高光谱图像存在的同谱异物和同物异谱的情况下,为了提取更具有判决力的高光谱图像特征,并防止网络因加深导致退化,在新维度残差网络(Res2Net)和压缩激活网络(squeeze and excitation network,SENet)的基础上,本文提出新型多尺度特征提取模块SE-Res2Net,并设计多尺度空谱融合注意力模块。为了克服网络加深带来的退化问题,SE-Res2Net模块利用通道分组提取高光谱图像细粒度的多尺度特征得到多个不同粒度的感受野,并采用通道优化模块从通道层面量化特征图的重要性。为了进一步从空间维和光谱维同时优化特征,构建多尺度空谱融合的注意力模块,利用非对称卷积在不同尺度上挖掘不同空间位置和不同光谱维特征的关系,不但能减少计算量,还能有效地提取具有判决力的空谱融合特征,从而提高高光谱图像分类的准确度。在3个公共数据集Indian Pines,University of Pavia和Grss＿dfc＿2013上的对比实验表明,与其他较新的深度网络相比,该方法具有更高的总体精度(overall accuracy,OA)、平均精度(average accuracy,AA)和Kappa系数。(2)为了解决普通卷积神经网络造成特征冗余,产生大量训练参数,增加计算成本的问题,本文提出了基于虚实结合多尺度信息融合的高光谱图像分类方法,设计了一个轻量级的虚实结合3D卷积模块,该模块将3D卷积与可分离3D卷积相结合,得到实和虚两种特征进行融合,有助于减少对计算性能的过度使用。在该模块中,利用多个不同尺度的虚实结合3D卷积模块进行多尺度空谱融合特征的提取。同时,为了分别从空间维和光谱维对高光谱图像进行特征增强,采用带有非对称卷积的多尺度空谱融合注意力模块效以克服同物异谱和同谱异物的影响。使用四个公开可用的高光谱图像数据集进行了对比实验,显示了本文设计的虚实结合多尺度信息融合分类方法能实现更高效的分类性能。

基于特征学习的高光谱图像分类

这是一篇关于特征学习,数据融合,高光谱图像分类,密集网络的论文, 主要内容为在高光谱遥感影像处理和应用中,高光谱图像分类是一项重要内容,对获取地物信息具有重要意义,其已经被广泛应用于地物勘探、精细农业、天气预报等领域。由于高光谱数据分类时空间信息逐层减少,且高光谱数据仅对材质信息敏感等特性,导致高光谱分类中易出现细粒度空间信息丢失、对高程信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。针对细粒度空间信息丢失问题,本文提出基于高低阶信息融合的细粒度空间卷积神经网络(Fine-Grained Spatial Convolutional Neural Network,FGSCNN)。该模型首先对原始数据进行数据增强,之后利用编码器从处理后的数据中提取高阶语义,然后通过解码器保留具有高阶语义的细粒度空间信息,最后进行分类。本文在三个公开数据集中评估了FGSCNN的性能,实验证明,与其他经典模型CNN-PPF、SS-CNN、DRCNN等相比,本文建立的FGSCNN模型具备更高的分类准确率,即证明细粒度空间信息的充分利用可以提高高光谱图像分类的准确率。针对高光谱数据对高程信息不敏感的问题,本文提出了基于Dense Net的双路Dense Net网络(Double-Branch Dense Net,DBD)。DBD模型大体可分为两路分支,其中一路分支对高光谱数据进行特征处理,压缩光谱维度,并通过三维卷积核同步提取高光谱数据的光谱特征和空间特征;另一路分支提取雷达数据的高程信息,利用密集连接,得到雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。本文在另外两个含有雷达数据的公开数据集中评估了DBD的性能,通过对比实验发现,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类,这说明融合雷达数据确实可以提高高光谱数据的分类准确率;而当仅使用雷达数据时,两个数据集的分类效果都极差,说明雷达数据只能作为辅助手段来增强对高光谱数据的分类,而不能单独使用。

基于深度学习的高光谱图像分类方法及其应用研究

这是一篇关于高光谱图像分类,深度学习,注意力机制,多尺度残差,卷积神经网络的论文, 主要内容为近年来,高光谱图像分类技术已经成为遥感图像处理领域的重要的研究领域之一。高光谱图像数据具有高分辨率的光谱和空间多维信息,可以提供丰富的地物光谱信息,因此在地物分类、资源环境监测、农业生态等领域具有广泛的应用价值。然而,高光谱图像数据的处理和分类面临着许多挑战,比如对于精细的特征提取不够充分,光谱信息的大量丢失,对空间信息利用不够充分,没能将光谱空间信息结合起来等。针对现有的网络中的不足,本文分别基于卷积神经网络(CNN)和全卷积神经网络(FCN)作为基础的网络架构,提出了两个不同的高光谱图像分类的网络,在多个公共数据集和真实的蜜柚果园数据集中进行各项的对比实验和消融实验,结果表明本文所提出的高光谱图像分类网络相比于其他目前比较流行的网络有一定的优势。本文的主要内容如下:(1)针对在目前高光谱图像分类的研究在光谱空间特征的联合提取上,没有充分考虑特征提取对应地物大小的差异这一问题,本文基于CNN网络提出了一种新的多尺度光谱空间注意力网络(MS3A-Net)。该网络的前端采用一个光谱空间协同注意力(SSCA)块,特征提取部分是在金字塔瓶颈残差的结构中采用一个多尺度注意力特征提取(MAFE)块进行空谱特征提取,从而可以提取不同尺度地物的特征,最大限度地减少不同尺度地物的干扰。MS3A-Net可以提高有效像素在空间和光谱维度上的影响,抑制无效像素甚至是干扰像素的影响。通过实验证明,该方法在网络的分类性能方面相较于SVM方法和其他基于CNN的高光谱分类方法都具有一定的优势。(2)针对基于CNN的局部学习的方法难以获取图像全局的信息,而且由于高度重叠的补丁的存在,难以适应多种不同输入输出的图像尺寸,本文采用带有跳跃连接的编码器-解码器的模型作为网络的基本框架,提出了基于大感受野的全局学习网络(GLN-LRF)结构。在编码器的下采样部分,通过大感野的上下文探索(LRFC)块中的大卷积核、空间可分离卷积以及空洞卷积相融合的方式提取多尺度的上下文特征信息。为了提取深度语义信息,在解码器部分本文提出了多尺度简单注意力(MSA)块,实现深度特征信息的融合。对多种不同空间尺度的高光谱数据集进行实验,结果表明改进的分类方法与现阶段基于CNN和基于FCN的分类网络相比都具有明显的优势。(3)针对真实的农业场景下的高光谱图像分类需求,采用机载高光谱成像设备采集平和蜜柚果园数据并制作了相应的数据集。在该数据集中,将本文提出的MS3A-Net和GLN-LRF的方法,和现阶段其他分类方法进行了详细的比较分析。

基于深度学习的高光谱图像分类方法及其应用研究

小样本下基于深度学习的高光谱图像分类算法研究

这是一篇关于高光谱图像分类,深度学习,卷积神经网络,小样本,注意力机制的论文, 主要内容为高光谱图像分类是遥感技术应用领域的重要环节,在精细农业、地质勘探和医学诊断等方面具有极大的应用价值。由于高光谱图像缺乏大型、公开的已标记数据集,在实际应用中可能会遇到训练样本匮乏的问题。此外,高光谱图像几百个接近连续的光谱波段在为分类提供丰富的特征的同时,也产生了大量的冗余信息。因此,如何在小样本下提取有价值的信息以提高分类精度,是目前高光谱图像分类面临的巨大挑战。传统的基于机器学习的分类方法一般基于手工特征和浅层学习,分类效果不佳。而基于深度学习的方法能自动学习更深层次的特征表达,有效提升分类精度。基于上述分析,本文基于多分支的深度学习方法进行了以下三方面的研究:(1)结合可变形3D卷积和三分支三重注意力机制,本文提出D3DTBTA网络结构。该网络分三个分支:光谱分支、空间X分支和空间Y分支独立提取特征,并在三分支上分别应用了其方向上的注意力机制以细化特征。然后采用拼接操作将三个分支上提取的特征融合进行分类。在D3DTBTA的网络结构中,使用可变形3D卷积来增强3D-CNN的形变建模能力。实验结果表明,在小样本的情况下,D3DTBTA网络较对比方法能够有效提升分类精度。(2)结合Dense2Net和三分支三重注意力机制,本文提出D2Net＿TBTA网络结构。该网络在光谱分支、空间X分支和空间Y分支上设计并运用了Dense2Net bottleneck模块。Dense2Net不仅结合了Res2Net多尺度提取特征的优势,也具有Dense Net在缓解梯度消失和加快特征传播上的优势。接着,通过三重注意力机制细化从三分支上提取到的特征,并将其融合用于分类。实验结果表明,与其他几种基于深度学习的方法相比,D2Net＿TBTA网络能有效提升小样本下的分类精度。(3)结合卷积长短期记忆网络Conv LSTM和三分支三重注意力机制,本文提出Conv LSTM＿TBTA网络结构。该网络在光谱分支上应用3个Conv LSTM网络层和光谱注意块提取光谱特征。在空间X和空间Y分支上,采用基于3D-CNN的Dense Net模块和注意力机制,分别提取空间X特征和空间Y特征。随后,将三个分支上提取到的特征融合进行分类。实验结果表明,Conv LSTM＿TBTA网络较对比方法有效提升了小样本下的分类精度。实验结果证明,本文所提三种网络模型相较于其他深度学习方法,在小样本下的分类精度均有了明显提升,为高光谱图像分类的研究提供了新思路。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈网，原文地址：https://m.bishedaima.com/lunwen/54366.html