堆叠张量子空间学习用于高光谱图像分类

针对由于空间信息利用不充分而导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱图像分类算法.首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信

针对高光谱图像数据维度高、特征非线性以及标签数据获取难度大的特点,结合堆栈稀疏自动编码网络,提出了一种基于非局部方式特征融合的二级分类算法。与传统堆栈稀疏自动编码网络相比,光谱角匹配算法将找到的与被分

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征

高光谱图像分类研究中，集成学习能够显著地提高分类效果。但是传统的并行多分类系统对基础分类器有较高要求，即要求差异性及分类均衡。为了解决这一问题，采用StackingLearning的堆栈式学习方式，首

近来，有两种方法被广泛研究，(1)应用多特征融合策略.(2)设计光谱空间特征提取算法。本文结合了多特征融合和特征提取的优势，提出了一个基于集成的分层特征表示的方法。本文方法由三个级联层组成：(1)

本文介绍如何利用matlab实现随机森林算法对高光谱图像数据进行分类。以Indian高光谱数据为例，详细说明如何处理待分类数据集和验证样本集。同时，提供trainall数据集中每个点的类别标签，共16

针对复杂背景像元影响高光谱分类精度的问题,将目标检测方法引入地物分类研究,提出了一种基于谱空特征迭代的高光谱图像分类方法,该方法通过将约束能量最小化设计了一种多目标约束的类别分类器(MTCC)。该分类

在本文中,提出了一种新的基于异构神经网络的深度学习方法,称为HNNDL,用于对带有少量标记样本的高光谱图像(HSI)进行监督分类。 具体来说,将深度神经网络(DNN)和卷积神经网络(CNN)组合起来以

传统的高光谱图像分类大多只考虑地物的光谱信息,而忽略了空间信息,现有的空谱联合分类方法难以有效提取空间邻域信息。针对上述问题,提出了一种卷积神经网络和稀疏字典联合学习的算法。现有稀疏编码方法大多仅考虑