-
题名高光谱图像分类的融合分层深度网络联合稀疏表示算法
被引量：8
- 1
-
-
作者
王军浩
闫德勤
刘德山
闫汇聪
-
机构
辽宁师范大学计算机与信息技术学院
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2020年第4期303-312,共10页
-
基金
国家自然科学基金项目(No.61772250)
辽宁省自然科学基金项目(No.20170540574)
辽宁省教育厅科学研究项目(No.LJ2019014)资助。
-
文摘
在高光谱图像分类领域中每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,严重降低分类性能.根据高光谱图像的特点,文中提出融合分层深度网络的联合稀疏表示算法.在光谱和空间特征学习之间交替提取判别性光谱信息和空间信息,构建兼具空谱特征的学习字典,用于联合稀疏表示.在分类过程中将学习字典与测试样本间的相关系数与分类误差融合并决策.在两个高光谱遥感数据集上的实验验证文中算法的有效性.
-
关键词
高光谱遥感图像
联合稀疏表示
分层深度网络
相关系数
-
Keywords
Hyperspectral Image
Joint Sparse Representation
hierarchical deep network
Correlation Coefficient
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于分层网络与局部约束的高光谱图像分类
- 2
-
-
作者
张景
闫德勤
于佳宁
刘德山
-
机构
辽宁师范大学计算机与信息技术学院
-
出处
《智能计算机与应用》
2022年第4期61-69,共9页
-
基金
国家自然科学基金(61772250)
辽宁省教育厅科学研究项目(LJ2019014)
-
文摘
高光谱图像存在高维度、带间相关性较高的特点,分类过程中也存在同谱异类的问题。为此,提出一种基于分层网络与局部约束的高光谱图像分类方法。该方法通过空谱信息训练分层深度网络,并与局部约束信息结合实现对高维数据的特征提取。同时,融合训练样本与测试样本的类内相似性,以提高分类的准确性。在2个高光谱数据集Indian Pines和Pavia University上的实验结果表明,该算法分类性能比其他分类算法精度上有了较大提高。
-
关键词
高光谱图像
分层深度网络
局部约束
相关系数
稀疏表示
-
Keywords
hyperspectral image
hierarchical deep network
local constraint
correlation coefficient
sparse representation
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名结合分层深度网络与双向五元组损失的跨模态异常检测
- 3
-
-
作者
范烨
彭淑娟
柳欣
崔振
王楠楠
-
机构
华侨大学计算机科学与技术学院
厦门市计算机视觉与模式识别重点实验室(华侨大学)
南京理工大学计算机科学与工程学院
综合业务网理论及关键技术国家重点实验室(西安电子科技大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2022年第12期2770-2780,共11页
-
基金
之江实验室开放课题(2021KH0AB01)
国家自然科学基金项目(61673185,61922066,62072244)
+1 种基金
福建省自然科学基金项目(2020J01083,2020J01084)
高维信息智能感知与系统教育部重点实验室开放课题(JYB202102)。
-
文摘
大数据环境下的跨模态异常检测是一个非常有价值且极具挑战性的工作.针对目前已有跨模态异常检测框架对数据异常值类型检测不全面以及数据利用率较低的问题,提出了一个结合分层深度网络与相似度双向五元组损失的跨模态异常检测方法.首先,提出的框架引入一个单视图异常检测网络层,通过模态内近邻样本相似度来检测数据样本中是否存在属性异常与部分属性类别异常点;接着,提出基于相似度双向五元组损失的双分支深度网络用于检测数据中的类别异常与剩余部分的属性类别异常,该损失一方面能够使不同属性数据正交化,另一方面使得相同属性数据之间线性相关,从而有效地加大了不同属性数据之间的特征差异性,以及增加了相同属性之间的特征相关性;同时,提出的双分支网络通过模态间双向约束和模态内的邻域约束,极大提高了数据利用率和模型的泛化能力.实验结果表明,所提出的框架可以全面检测出不同模态中所有的异常类型样本点,并且表现优于现有的可应用于跨模态异常检测的方法,优势明显.
-
关键词
跨模态异常检测
分层深度网络
双向五元组损失
邻域约束
双向约束
-
Keywords
cross-modal anomaly detection
hierarchical deep network
bi-quintuple loss
neighborhood constraint
bidirectional constraint
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
