【摘 要】
：
近年来,卷积神经网络(CNN)在高光谱图像分类领域被广泛应用,其中3D-CNN可针对高光谱图像图谱合一的三维数据特点,同时提取高光谱图像的空谱联合特征,已被证明是一种有效的分类方法。但在运用3D-CNN进行高光谱图像分类时还存在以下问题:1.基于3D-CNN的分类方法需要一个大规模标注的数据集来训练网络,样本数量不足会导致网络产生过拟合现象,降低分类效果。2.光谱信息冗余、存在干扰像素,3D-CN
论文部分内容阅读
近年来，卷积神经网络(CNN)在高光谱图像分类领域被广泛应用，其中3D-CNN可针对高光谱图像图谱合一的三维数据特点，同时提取高光谱图像的空谱联合特征，已被证明是一种有效的分类方法。但在运用3D-CNN进行高光谱图像分类时还存在以下问题:1.基于3D-CNN的分类方法需要一个大规模标注的数据集来训练网络，样本数量不足会导致网络产生过拟合现象，降低分类效果。2.光谱信息冗余、存在干扰像素，3D-CNN进行特征提取时会利用上下文信息，但上下文的像素点通常会包含不同类别，与中心像素类别不同的像素点则会对特征提取产生干扰。针对上述问题，本文进行了如下研究:
针对样本数量不足会导致网络产生过拟合现象的问题，本文将数据增强(mixup)与3D-CNN相结合，提出了基于M-3DCNN的高光谱图像分类方法。采用mixup产生虚拟数据，使用原始数据和虚拟数据一同训练网络，扩大了训练样本数量，缓解了3D-CNN过拟合现象，并采用3D-CNN进行特征提取与分类。在三个通用的高光谱图像分类数据集上进行实验，验证该方法的有效性，实验结果表明，该方法在三个数据集上的分类效果比3D-CNN均得到了提升。
针对光谱信息冗余、存在干扰像素的问题，本文将注意力机制引入M-3DCNN网络，提出了基于AM-3DCNN网络的高光谱图像分类方法。经过注意力机制，数据的有用特征被加强无用特征被抑制，提高了网络的特征提取能力，减少了光谱信息冗余与干扰像素对分类的影响，得到更好的分类效果。通道注意力机制压缩空间位置信息在全局空间位置信息感受野上建模通道之间的关系，空间位置注意力机制压缩通道信息在全局通道信息感受野上建模空间位置之间的关系，两种注意力机制均采用Sigmoid函数完成不同权重的映射。在三个通用的高光谱图像分类数据集上进行实验，验证该方法的有效性。实验结果表明该方法与其他方法相比在三个数据集上均取得了最优的分类效果。
其他文献
随着工业4.0的到来,电子产品生产企业成为经济发展的重要组成部分,企业规模逐渐扩大,生产需求也随之提高。目前路径规划的效果还不够快速和精准,无法完全适应环境变化。蚁群算法以其较强的鲁棒性和优秀的寻路能力在AGV(自动引导车,Automated Guided Vehicle)路径规划问题上有广泛的应用前景。然而在实际设计过程中,基本蚁群算法非常容易陷入局部最优解,并且收敛速度缓慢。因此本文针对应用蚁
指纹识别技术是目前应用最广泛的身份验证方式,这项技术的核心在于如何精准快速的提取可靠且数量多的指纹特征。为解决主流的指纹方向场获取方法存在图像灰度极值区域纹线方向不可靠、平滑操作易导致细节点方向丢失和只提取单一方向场特征的问题,本文提出图形化指纹方向解析算法。本文方法不同于基于形态学操作获取指纹特征的算法,通过建立指纹图像和二维信号之间的联系,以信号解析为主线获取指纹方向场特征。主要研究内容如下:
目前钢板表面缺陷检测技术大多依靠人工目测和传统的机器视觉等方法完成。这些方法存在难以提取缺陷的本质特征、易受外界环境干扰等缺点,这些缺点导致检测精度受到影响。因此,本文研究基于深度学习的钢板表面缺陷处理技术。针对传统方法的缺点,本文引入VGG16网络模型并对其进行改进。首先在网络中加入通道注意力机制,以提高识别精度;其次采用深度可分离卷积替换网络中部分3×3卷积,以减少网络参数量和计算量,增加网络
近年来,随着全球化信息化的到来,产生了海量的数据,与此同时,频繁的数据交流和复杂的系统构建以及数据处理的时效性,对信息的网络传输和存储空间提出更高的要求,可见数据压缩在工业生产生活中越来越重要,数据压缩主要分为有损和无损压缩,其中无损压缩广泛应用于航天、医疗等技术领域。无损压缩中基于字典的压缩以自适应性强、复杂度低、编码效率高等被广泛利用,因此对无损压缩的算法研究具有十分重要的作用和意义。本文从数
当今社会基于人类特征提取的生物认证技术不断发展,说话人识别作为其中之一,是通过发音人的声音来辨别身份的。该生物认证技术也被叫做声纹识别,其核心内容是将语音样本信号中提取出的能代表发音人身份的信息进行处理进而实现对各类别说话人的识别。由于近年来生物认证方法在机器学习的推动下获得了巨大进展,有着广阔的发展前景和重要的研究价值,说话人识别也深受其影响,学者们逐渐从基于传统方法的说话人识别的研究方向转移到
随着指纹识别技术的应用越来越广,人们对其识别效率和准确性要求越来越高,而现实中受采集环境或自身皮肤状况影响仍存在大量低质量指纹图像无法得到有效识别。现有低质量指纹图像识别算法以图像增强为主,在一定程度上能减少伪细节点数目,但经过特征提取后仍会存在大量伪细节点,最终导致整个指纹识别系统的性能下降,使得及时、准确识别低质量指纹图像成为目前亟待解决的一个问题。本文提出一种低质量指纹图像识别算法,该算法主
随着社会的发展和通信与信息处理技术的不断进步,生物识别技术与民众的信息安全联系越发紧密。声纹识别作为生物识别技术的一种,受到越来越多的关注,被广泛应用到手机支付、智能终端、医疗服务以及刑事侦查等领域。但是由于声纹识别的研究较短,所以仍然有很多问题尚未解决。在提取说话人的声纹特征时噪声会使说话人语音频谱发生畸变。传统自然语言处理模型由多个步骤组成,每个步骤是一个独立任务,其结果好坏会影响下一个步骤,
随着软件的规模和复杂程度的不断增加,在软件开发过程中引入缺陷的可能性越来越大。而软件缺陷的存在可能会导致软件无法正常运行,甚至会危及人们的生命和财产。如果能够在软件发行之前发现缺陷,就可以合理有效地分配时间,降低成本和提高软件的质量。在实际的开发中,通常需要预测一个新的项目,或者项目所拥有的标签数据很少,在这种情况下,异构项目的软件缺陷预测应运而生。近年来,迁移学习方法的引入,解决了异构软件缺陷预
在图像处理领域,目标检测算法已经成为了人们的研究重点,并在人类生活中有着广泛的应用。但是现有的算法仍存在一些关键问题。一方面,卷积分类网络是目标检测算法提取图像特征的基础。在提取图像特征时,卷积分类网络自身参数规模大、模型计算复杂。另一方面,被检测的目标对象存在着尺度、大小的多样性,算法对于复杂场景的目标不能有效的识别。本文从理论与地基应用出发,针对存在的问题进行了深入研究,提出了有效的解决方法。
在非协作条件下,通信信号的调制方式识别和参数估计是信号得以正确解调的前提。如今通信环境日渐复杂,信号的调制类型逐渐多样化,这会加大信号调制识别和参数估计的难度。随着计算机算力的提高,在人工智能领域中,深度学习算法渐渐崭露头角,开始在不同的领域得以应用。目前,将深度学习技术应用到调制识别领域已成为该领域的主流研究内容。因此,本文利用深度学习算法对数字信号调制方式的识别和参数估计进行了深入研究,主要研