【摘 要】
:
高光谱图像分类是遥感对地观测的重要内容,被广泛应用在民用和军事领域。高光谱遥感图像具有大量的光谱信息和空间信息,可以利用这些信息进行地物分类与识别。近年来,随着深度学习技术的发展,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展。然而,高光谱图像的高维特性、波段之间的高度相关性使得高光谱图像分类面临着巨大的挑战。在高光谱图像分类任务中,普通的深度卷积架构(图像网格、三维体素)格式需要高
论文部分内容阅读
高光谱图像分类是遥感对地观测的重要内容,被广泛应用在民用和军事领域。高光谱遥感图像具有大量的光谱信息和空间信息,可以利用这些信息进行地物分类与识别。近年来,随着深度学习技术的发展,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展。然而,高光谱图像的高维特性、波段之间的高度相关性使得高光谱图像分类面临着巨大的挑战。在高光谱图像分类任务中,普通的深度卷积架构(图像网格、三维体素)格式需要高度规则且计算需求较大。此外,用于高光谱图像分类的深度学习模型需要有标签的训练样本,造成了人力资源的浪费。为了减少计算需求,加强自动化,本文在强化学习、点云和自监督学习方面进行了相关研究。本文的主要工作如下:(1)提出了基于深度强化学习的高光谱图像波段选择方法。该方法通过智能体与环境的交互自主地选择最佳的波段。把波段选择看做马尔科夫决策过程,智能体依次根据已经选择的波段选择下一个波段。为此本文对波段选择模型设计了新的奖励,通过信息熵和中心光谱的余弦距离作为奖励能够使得选出的波段具有丰富的光谱信息和较强的独立性,有益于分类任务。同时,本文使用深度强化学习的策略,包括双网络策略、经验回放和Dueling DQN的网络结构用来模拟波段选择的值函数。实验证明,本文的波段选择能够得到较好的分类结果。(2)提出了基于点云和图卷积的高光谱图像分类方法。目前,大多数的神经网络特征提取的输入是图像块,这导致需要训练大量的参数,计算量需求大。为了解决上述的问题,提出了基于点云特征提取和图类别嵌入的高光谱图像分类。首先,使用提出的深度强化学习波段选择方法实现数据降维,从源头减少分类模型的计算量。然后,把添加位置信息的高光谱图像看成点云而不是图像块,使用点云特征提取模块通过简单的多层感知器和求和对称函数进行光谱特征提取。接着,计算类别的相似性作为图卷积的输入得到类别嵌入特征,用来辅助特征提取模块,并把类别嵌入信息加入损失函数防止过拟合问题。(3)提出了基于点云和对比学习的小样本高光谱图像分类方法。针对小样本情况下分类精度不高的问题,本文提出了同质光谱空间伪标签算法,通过增加训练样本的数目提升分类的效果。此外,为了探索光谱自身的自监督信息,设计了适合高光谱图像的对比学习方法。通过对高光谱点云数据进行数据增强,对原始数据和增加后的数据进行特征编码和映射来最大化对比损失,从而使得相似的光谱距离更近,不相似的光谱距离更远。通过实验证明,本文提出的方法在小样本情况下分类精度能够比较理想。本文提出的高光谱图像分类方法具有简单而统一的结构,能够使用较少的内存得到分类精度较高的结果。此外,本文提出的小样本高光谱图像分类能够充分挖掘自身的潜在特征,充分利用少量的标记样本。
其他文献
视觉目标跟踪是计算机视觉中一个基础而又具有挑战性的研究课题,应用场景越来越广泛,主要包括视频监控、人机交互、自动驾驶以及军事制导等。视觉目标跟踪的主要任务是,给定视频第一帧图像中待跟踪目标的位置,通过跟踪器推断出该目标在后续帧图像中的位置。近年来,越来越多的研究人员致力于基于深度神经网络的视觉目标跟踪研究,跟踪的性能也在不断地被优化,但是由于存在背景相似干扰、目标形变、光照变化、尺度变化、运动模糊
随着虚拟现实、自动驾驶和机器人等智能技术的发展,在相关的定位、建图与导航任务中,视觉SLAM(Simultaneous Localization And Mapping)成为了其理论的核心支持技术。目前大多数落地的视觉SLAM方案,主要由传感器、视觉里程计、后端优化、回环检测和建图几个模块组成,其用于视觉跟踪的视觉里程计模块依赖于手工设计的特征点而非真正的地标,这将导致SLAM系统在光照变换等复杂
目的:宫颈癌是妇科最致命的恶性肿瘤之一,主要由持续的高危型人乳头瘤病毒(high-riskhumanpapillomavirus,HR-HPV)感染引起,近年来宫颈癌的发展趋势逐步趋于年轻化,严重影响着患者的生活质量及身心健康。早已有研究表明,宫颈病变过程需长达10余年的时间,所以治疗和预防宫颈癌的最好方法就是阻断和干预HPV感染,寻找到一种转阴率高、副作用小、复发率低的治疗方法已经成为当前预防宫
遥感技术可以帮助人们更直观地了解世界,研究人员通过遥感技术可以从空中监测地球上的物体,这对资源勘探、地物监测以及海、陆、空导航意义重大。深度学习是一种新的遥感数据信息提取方法,也是处理大规模遥感数据的工具。目前遥感技术与深度学习的结合已经取得了显着的效果,提升了分类任务、语义分割任务、目标检测任务、变化检测任务等诸多问题的精度,在实际的应用落地过程中,已经有很多的成功经验和方向可以借鉴。本文将视觉
当前目标检测作为计算机视觉的基础性任务受到了广泛的关注。伴随着现代计算机计算能力的提升,目标检测的方法也从传统的手工特征输入向采用深度神经网络进行特征提取的方法过渡。同时无人机在各个行业的应用逐步深入,基于无人机的目标检测领域成为了当下研究的一个重要方向。无人机的目标检测系统有其独特应用场景需求,其中主要体现在硬件系统和算法支持两个方面。由于无人机本身的体积重量和能耗的限制,因此对基于无人机的目标
在过去的几十年中,涌现了对目标信息处理的多种多样的信息融合算法,涵盖目标信息处理的各个阶段,包括:空间配准、数据关联、数据滤波、航迹关联、估计融合、和目标识别等。各个算法有各自的优点和缺点,没有一个算法能适应所有任务需求。根据任务需求选择合适的算法不仅能充分发挥算法自身的优势,而且能实现算法的优势互补,提高目标信息处理的性能。在不同的任务场景下该选择哪个算法,即算法的集成调度问题成了现阶段目标信息
随着深度学习的快速发展,基于卷积神经网络的目标检测算法在目标检测领域取得突破性进展,并成为近些年最热门的研究方向之一,被广泛应用于自动驾驶、视频监控、医学影像、雷达探测等领域。经典的基于卷积神经网络的目标检测算法有SSD、YOLOv3等算法,这些算法在带来高性能的目标检测效果的同时,也带来了巨大的参数量和计算量,因此当前主要通过GPU等高算力平台进行实现。但是GPU存在功耗高、体积大等缺点,难以应
目的:应用电化学分析和脑电记录手段研究匀速摇摆运动时观察腹外侧视前区γ氨基丁酸(GABA)和谷氨酸(Glu)含量及脑电图波变化,探讨匀速摇摆运动对睡眠的影响。方法:根据Paxinos和Waston大鼠脑图谱在大鼠腹外侧视前区(VLPO)置入微型透析针,用脑部微量透析法和高效液相色谱法测定静止期及匀速摇摆运动时对照组、清醒大鼠实验组、单侧外周前庭器官破坏同侧组、单侧外周前庭器官破坏对侧组、双侧外周前
人类的表情在日常交流中起着至关重要的作用,因此表情识别在计算机视觉领域受到广泛的关注。在人机交互中,自动面部表情识别对计算机理解人的情感非常重要,表情识别可以广泛应用于智能辅导系统、服务机器人、驾驶员疲劳监测等领域。在早期的工作中,表情识别任务主要在受控实验室环境中收集的面部表情数据集上实现,这些数据集一般规模较小,且无遮挡或光照条件的影响,与现实中表情识别的情况相差较大。为了使表情识别任务更具有
近年来,深度学习技术已被应用到多种医学影像分析任务,为医学影像疾病诊断带来巨大突破,在消化道相关疾病辅助诊断任务上也得到了广泛的关注,然而标注数据匮乏、模型落地艰难却是阻碍深度学习在消化道疾病研究发展的重要原因。经过前期调研,当前深度学习在消化道疾病医学影像的研究普遍存在以下问题:(1)纯手工标注方式标注数据,消化道医学影像数据的标注需要经验丰富的专业医生来完成,标注工作量大、成本高。(2)缺乏大