彩色图像间的颜色迁移,郑宁斐,,本文介绍了颜色迁移的几种经典算法,分析了它们所存在的一些问题??往往只适用于颜色较为单调的图像。因此我们在经典算法的基础上�
光谱空间特征提取对高光谱图像(HSI)分类非常重要。 与传统的特征提取方法不同,诸如卷积神经网络(CNN)之类的深度学习模型可以自动学习光谱空间判别特征。 但是,深度学习模型通常需要构建一个庞大而复杂
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
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
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
基于深度学习的网络视频弹幕情感分类,王晓艳,刘晓鸿,近年来,视频网站发展越来越快,用户数量也越来越大,弹幕视频作为视频网站的一个新兴分支,在日本和我国异军突起。弹幕评论数据
基于噪声抑制的Fisher向量在图像分类中的应用,李萌,黄雅平,基于Fisher向量的图像全局特征表达可以看作是词袋模型(Bag-of-visual-words)的扩展,二者都是基于图像的一种中间表示
针对协同表示的高光谱图像异常检测算法中双窗口中心为异常像元且背景字典存在同种异常像元的情况,中心像元的输出较小,难以与背景区分的问题,提出一种改进协同表示的高光谱图像异常检测算法。为了减小背景字典中异
提出了一种基于邻域加权稀疏表示的高光谱图像目标探测方法。在构造稀疏模型时,以单位化像元的内积表示像元的相似性,据此对重构图像中测试像元空间邻域的像元进行加权约束,保证了空间的平滑性;并提出基于加权最小