發(fā)布時(shí)間：2024-04-09 19:17

　　隨著技術(shù)的發(fā)展,高光譜傳感器取得了巨大的成功。太空機(jī)載傳感器可以捕獲大量具有高光譜分辨率和空間信息的圖像。這些圖像帶來(lái)了許多方面的應(yīng)用開發(fā),高光譜圖像分類(Hyperspectral image classification,HIC)是其中重要的分支之一。HIC是指為每個(gè)像素分配一個(gè)標(biāo)簽。與傳統(tǒng)的遙感圖像相比,HIS(Hyperspectral image)具有更多的波段和連續(xù)的光譜特征。因此,充分提取光譜和空間特征進(jìn)行分類是高光譜分類精度提升的一個(gè)關(guān)鍵。除此之外,高光譜圖像具有更多的冗余信息,怎樣去除冗余信息減少計(jì)算量也是一個(gè)重要問(wèn)題。另外,高光譜圖像可訓(xùn)練的數(shù)據(jù)樣本比較少,在現(xiàn)在深度學(xué)習(xí)網(wǎng)絡(luò)框架越來(lái)越復(fù)雜的情況下,高光譜圖像分類訓(xùn)練過(guò)程中很容易出現(xiàn)過(guò)擬合的情況,因此這也是值得深入研究的問(wèn)題。本文針對(duì)以上幾個(gè)問(wèn)題,從以下幾方面進(jìn)行了研究:(1)本文針對(duì)是否能夠充分利用光譜和空間特征對(duì)高光譜圖像進(jìn)行有效分類的問(wèn)題,設(shè)計(jì)了一種端到端的基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和Transformer融合的網(wǎng)絡(luò)結(jié)構(gòu)Trans CNN。此網(wǎng)絡(luò)首先將高...

【文章頁(yè)數(shù)】：73 頁(yè)

【部分圖文】：

圖1.5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

卷積神經(jīng)網(wǎng)絡(luò)由Fukushima提出并由LeCun進(jìn)行修改[61]。卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)分為前向傳播與反向傳播:前向傳播過(guò)程中,信息由輸入層進(jìn)行輸入,并經(jīng)過(guò)卷積層、池化層、全連接層的逐級(jí)變換,傳送到輸出層,如圖1.5所示;反向傳播過(guò)程中,算法將首先衡量真實(shí)值與預(yù)測(cè)值之間的損失,然后....

圖1.5市面上常見的幾款小型高光譜相機(jī)Headwall產(chǎn)品Specim產(chǎn)品Cubert產(chǎn)品四川雙利合譜產(chǎn)品

博士學(xué)位論文9適應(yīng)快速的工業(yè)檢測(cè)應(yīng)用需求。受限于光譜分光技術(shù)，市面上的少數(shù)快照式相機(jī)空間分辨率和波段數(shù)較低，實(shí)際應(yīng)用場(chǎng)合有很大的局限性。圖1.5市面上常見的幾款小型高光譜相機(jī)1.2.4高光譜視覺(jué)檢測(cè)算法研究現(xiàn)狀針對(duì)高光譜圖像檢測(cè)方法的研究，國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的工作，已經(jīng)形成了....

圖2-1典型的降噪和分類處理流程

目前學(xué)界只有少量文獻(xiàn)[115,116]研究了降噪與分類聯(lián)合算法。在傳統(tǒng)機(jī)器學(xué)習(xí)算法上,文獻(xiàn)[115]提出了基于條件隨機(jī)場(chǎng)和多項(xiàng)式邏輯回歸混合模型,實(shí)現(xiàn)了高光譜圖像降噪和分類同時(shí)處理,并驗(yàn)證了可通過(guò)迭代訓(xùn)練和循環(huán)學(xué)習(xí)來(lái)同時(shí)提升降噪和分類性能。在深度學(xué)習(xí)算法上,文獻(xiàn)[116]針對(duì)彩色....

圖2.4四層神經(jīng)網(wǎng)絡(luò)模型

基于深度學(xué)習(xí)的圖像分類及其在高光譜圖像中的應(yīng)用研究1層中神經(jīng)元的個(gè)數(shù)。絡(luò)的輸出值后需要求神經(jīng)網(wǎng)絡(luò)代價(jià)函數(shù)來(lái)進(jìn)行下一步梯度下降的運(yùn)算從而進(jìn)價(jià)函數(shù)如公式2.15所示：11()()2()2,11111(,)((()))()22ll....

本文編號(hào)：3949528