公共文化服务平台

石瑶: 作品数：10 被引量：27H指数：3; 供职机构：哈尔滨工程大学信息与通信工程学院更多>>; 发文基金：国家自然科学基金黑龙江省自然科学基金国家教育部博士点基金更多>>; 相关领域：自动化与计算机技术电子电信理学更多>>

合作作者

基于改进K_Medoids算法的高光谱图像聚类被引量：2: 2018年; 为了解决在复杂的、数据量庞大的高光谱图像中汇集出参考价值较高的聚类组合问题,本文提出一种基于流形的K_Medoids改进算法并应用于高光谱图像的聚类实践中。该算法应用改进的Canopy算法进行初值选定,通过基于流形的测地距离所生成的像元距离矩阵来完成K_Medoids算法的聚类过程。该算法对传统聚类算法所具有的一些难以解决的弊端起到良好的抑制作用。利用AVIRIS图像对该算法进行验证,实验结果表明:与传统方法相比,该算法在类内距离、类间距离、Jaccard系数、Rand系数,以及聚类图像的直观对比五个评价标准下能够取得比传统方法更好的效果。; 王立国马赫男赵亮石瑶; 关键词：测地距离聚类

小样本下基于空谱特征增强的高光谱图像分类被引量：3: 2022年; 针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法。该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征。同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构造更深层网络的同时避免了梯度消失的问题。实验表明:本文方法能充分利用高光谱图像的空间和光谱特征,在印第安纳森林数据集、帕维亚大学数据集上分别能够取得99.29%、99.74%的总体分类精确度,提高了小样本下的分类精度。; 陆瑶王立国石瑶; 关键词：遥感小样本卷积神经网络

基于3D-CNN的高光谱遥感图像分类算法被引量：2: 2022年; 现有的三维卷积神经网络(Three-dimensional convolutional neural network,3D-CNN)模型常有参数过多和特征提取不全面的情况,并且对样本标签有限问题的处理存在不足。针对样本标签有限的问题,采用生成式对抗网络模型对原始数据进行数据增强,解决了个别样本标签少导致分类模型出现过拟合的现象;针对3D-CNN网络提取特征不全面的问题,所设计高效的3D-CNN网络模型,在网络中加入纹理信息增强模型,使网络能更好地提取图像的空谱特征。实验表明,算法在小样本数据情况下比原始网络分类精度更高,能自适应提取高光谱图像的空谱联合特征。; 王立国杨峰石瑶石瑶; 关键词：高光谱图像分类卷积神经网络

联合改进LBP和超像素级决策的高光谱图像分类被引量：1: 2023年; 高光谱图像在有标签样本数目较少的情况下进行分类时,除了利用光谱特征外,空间纹理特征也是必不可少的。本文提出了一种利用多尺度多方向局部二值模式(LBP)描述子获取纹理特征,并结合超像素级指导决策的支持向量机分类方法。首先,本文方法将传统LBP描述子改进为多尺度多方向LBP描述子,一方面充分考虑了邻域像素之间的关系,另一方面在计算时分别考虑了水平垂直方向和对角方向。其次,在利用统计直方图获得纹理特征时,采用了多个尺寸窗口组合的方式,以获得多范围、高精度的纹理特征。第三,对传统的简单线性迭代聚类(SLIC)超像素分割方法进行改进,重新定义了光谱距离并引入了纹理特征距离,获得更精确的超像素分割图。最后,利用超像素分割图结合多数投票策略,对分类结果进行进一步的指导校正。实验表明,本文方法能够更有效的提取纹理特征,再结合超像素分割图的指导决策,进一步提升高光谱图像的分类性能。; 王立国石瑶张震; 关键词：高光谱图像局部二值模式纹理特征

高光谱图像小样本分类的卷积神经网络方法被引量：6: 2021年; 目的与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。; 吴鸿昊王立国石瑶; 关键词：高光谱图像

基于小波包的多尺度高光谱图像超分辨率网络被引量：2: 2020年; 高光谱遥感作为自然资源探测的一种重要手段,近年来得到了越来越多的重视。现有高光谱超分辨率方法存在以下不足:基于解析方法的超分辨率方法依赖大量准备工作和先验知识,如公式推导、统计学规律等,因此数据拟合能力一般,灵活性较差,方法适用性受限制,且受人为因素影响严重;基于深度学习的方法需要大量高质量的高光谱遥感图像,极大程度限制了方法的适用性。本文在对卷积操作响应特性进行研究的基础上,结合传统解析方法与深度学习方法,充分利用具有相似数据特点的自然图像,提出了一种基于小波包的多尺度高光谱图像超分辨率网络(Multiscale hyperspectral image super-resolution network based on wavelet package,WPSRN)。实验结果表明,此方法在超分辨率重建上优于现有方法。; 王立国毕天屹石瑶; 关键词：高光谱遥感超分辨率小波包

最小二乘支持向量机的两点改进被引量：1: 2015年; 最小二乘支持向量机以其较好的性能得到了广泛应用,但仍存在2点不足:一方面,最小二乘支持向量机将所有训练样本都作为支持向量参与未知样本的分类,导致该算法在泛化过程中处理速度较慢;另一方面,最小二乘支持向量机主要利用光谱数据进行训练和分类,忽略了对地物空间信息的挖掘,影响了分类精度。为此,提出一种基于库伦引力模型的样本缩减策略,在此基础上将分类结果与基于空间信息的分类器相融合,由此产生的新分类器可以有效解决以上两方面的问题。实验表明了新分类模型在分类精度与速度方面的优势。; 王立国赵亮石瑶路婷婷; 关键词：支持向量机马尔科夫随机场空间信息

结合主动学习与标签传递算法的高光谱图像分类被引量：3: 2020年; 与自然真彩色图像相比,高光谱图像维数高、有标记的数据少。针对传统的分类方法主要利用光谱特征忽略了空间信息的提取的问题,本文提出了一种基于空-谱信息融合的主动学习与标签传递算法相结合的分类框架。基于概率模型的BT(Breaking Ties,BT)策略筛选出具有代表性的未标记样本,作为新的训练样本扩充训练样本集。标签传递算法推测未标记样本真正的类别信息,由分类器进行重新训练。实验表明:在有标签样本不充足的情况下,Indian Pines数据集分类精度达到76.89%,帕维亚大学数据集分类精度为95.23%,优于现有的几种分类算法。在标签样本稀缺的情况下,本文算法可以利用半监督学习与主动学习相结合的方法有效提高分类精度。; 王立国商卉石瑶; 关键词：高光谱图像半监督分类主成分分析 GABOR滤波支持向量机

基于最大最小距离的高光谱遥感图像波段选择被引量：6: 2018年; 为减少高光谱遥感图像光谱空间冗余,降低后续处理的计算复杂度,提出一种基于最大最小距离的高光谱图像波段选择算法。首先计算波段标准差,选定标准差最大的波段作为初始中心;然后使用最大最小距离算法得到相对距离较远的聚类中心,对波段进行聚类;最后使用K中心点算法更新聚类中心。实验仿真结果表明:通过基于最大最小距离算法选择的波段,能够选出同时满足信息量大、相关性小的要求的波段子集,并将获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度。; 王立国赵亮石瑶; 关键词：高光谱遥感波段选择最大似然法

融合注意力机制与混合CNN模型的高光谱图像分类被引量：1: 2022年; 在基于深度学习的高光谱图像分类算法研究中,一些网络使用二维卷积,一些网络使用三维卷积,这两种算法都各有其优势和不足。针对基于深度学习的高光谱图像分类算法不足,提出一种融合注意力机制与混合CNN模型的算法,将高光谱图像中的空间和光谱的互补信息分别以三维卷积层和二维卷积层组合到一起。本文方法相比于经典SVM算法和目前几种性能优异的算法,在分类性能OA、AA以及Kappa系数上均有提升,证明了本算法通过结合二维卷积和三维卷积,并引入注意力机制的方法,对高光谱图像分类精度提升的有效性。; 王立国于佳石瑶石瑶; 关键词：卷积神经网络

石瑶

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

石瑶

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈