PyTorch高光谱图像分类项目

基于蒙特卡罗特征降维算法的小样本高光谱图像分类

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题,设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构,

基于支持向量机的高光谱图像分类方法综述，贺霖，阮蔚桐，高光谱图像分类作为高光谱图像分析中的一个研究领域，具有重大的理论研究价值和重要的应用前景。本文简述了支持向量机的基本原理

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器

针对高光谱图像分类中基于流形的降维方法进行了研究，提出一种改进的局部保持投影（LPP）方法，即MLPP方法。该方法利用标签信息避免了传统LPP在邻接图构建中很难确定邻域大小的选择问题，同时采用更能反映

基于云模型的高光谱遥感图像的分类研究，李万臣，郭逢丽，现有的分类方法都没有考虑或者没有彻底考虑高光谱遥感图像数据的不确定性，因此提出了一种基于云模型的高光谱遥感图像分类方法。

针对高光谱图像分类中，样本空间特征利用不足的问题。将深层残差网络作为特征提取器运用到高光谱图像分类中，利用深层残差网络更深的网络结构，挖掘样本邻域空间中的深层特征，实验证明此特征具有更好的可分性。同时

针对高光谱遥感影像监督分类训练样本少,训练分类器迭代速度慢的问题,提出一种联合空谱特征的多视图主动学习算法。首先,将原始影像的光谱波段分割为多个互不相交的子集合;然后,在每个子集合滤波提取空间结构特征

为了进一步提高稀疏表示分类能力,提出了基于联合稀疏表示算法与形态学特征的高光谱图像(HSI)分类算法。该算法对高光谱图像提取主成分特征图,并利用结构元素对主成分特征图进行多维的空间结构特征提取,结合提

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