卷积神经网络模型能够提取图像不同层次的分层特征,提取图像包含有大量的细节信息,然而,现有方法没有充分利用网络模型提取的所有分层特征。为了充分利用所有分层特征,增强特征重利用和信息连续传递,设计了适用于
常规支持向量机应用到高光谱图像分类中有较好的分类效果,但它对训练样本内部的噪声和孤立点特别敏感,在一定程度上影响了支持向量机的分类性能,针对该问题,引入了模糊支持向量机(FSVM),并且利用灰色关联分
本研究基于深度学习技术,对高光谱图像进行分类研究。通过对图像进行处理和特征提取,使用卷积神经网络和支持向量机等算法,实现高精度分类。研究结果表明,所提出的方法有效地提高了分类准确性和图像处理效率。同时
基于深度学习技术的高光谱图像分类是当前研究的热点之一,深度学习算法在高光谱图像分类中的应用,包括卷积神经网络等模型的具体实现方式和优化方法,同时比较了不同模型在实验中的表现。通过本文的学习,读者可深入
近年来,目睹了高光谱图像(HSI)分类的快速发展。 现有的大多数研究要么通过监督学习严重依赖昂贵的标签信息,要么很难利用从相关领域借来的区分性信息。 为了解决这个问题,在本文中,我们展示了一种基于具有
高光谱图像中包含丰富的光谱特征和空间特征,这对地表物质的分类至关重要。然而高光谱图像的空间分辨率相对较低,使得图像中存在大量的混合像素,这严重制约物质分类的精度。受到观测噪声、目标区域大小及端元易变性
压缩感知理论将采样理论与压缩理论合二为一,成为最近几年来的研究热点。主要依据图像的稀疏性或是可压缩性的特点,使用K-均值奇异值分解(K-MeansSingularValueDecomposition,
针对传统主动学习单一策略算法在挑选最有价值未标记样本时出现的抖动和不稳定的现象,引入集成学习(ensemble learning)分类器的加权组合思想,提出一种基于组合策略的联合挑选(ESAL)方法,
提出了两种基于Gabor特征与局部保护降维的高光谱图像分类算法。该算法利用嵌入主成分分析的Gabor变换对高光谱图像进行特征提取。为了保护相邻特征的局部信息,利用局部Fisher判别分析或局部保护非负
基于蒙特卡罗特征降维算法的小样本高光谱图像分类
