注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 深度学习研究综述_尹宝才_王文通_王立春

  2. 基于深度学习的高光谱数据分类的最新论文，文章还不错，分享给大家，帮助别人快乐自己。

  3. 所属分类：专业指导

    • 发布日期：2015-04-20
    • 文件大小：1048576
    • 提供者：allenfishphd

  1. 高光谱遥感图像数据集Pavia

  2. 深度学习高光谱遥感图像数据集，光谱波段数为102，图像像素1096*1096

  3. 所属分类：深度学习

    • 发布日期：2018-03-10
    • 文件大小：128974848
    • 提供者：qq_29592829

  1. 基于深度学习的高光谱影像分类方法研究

  2. 基于深度学习的高光谱影像分类方法研究

  3. 所属分类：深度学习

    • 发布日期：2018-05-03
    • 文件大小：14680064
    • 提供者：weixin_42127451

  1. Deep Learning-Based Classification of Hyperspectral Data

  2. 我们通过遵循基于经典光谱信息的分类来验证堆叠自动编码器的合格性。其次，提出了一种新的空间主导信息分类方法。然后，我们提出了一种新颖的深度学习框架来合并这两个特征，从中我们可以获得最高的分类准确性。该框架是主成分分析（PCA），深度学习架构和逻辑回归的混合体

  3. 所属分类：深度学习

    • 发布日期：2018-08-05
    • 文件大小：2097152
    • 提供者：monotonomo

  1. Pavia 高光谱.zip

  2. 该文件包含Pavia.mat、Pavia_gt.mat，是深度学习高光谱遥感图像的数据集之一

  3. 所属分类：深度学习

    • 发布日期：2019-07-23
    • 文件大小：128974848
    • 提供者：fyc_eason

  1. 基于多层训练的稀疏非负矩阵高光谱混合像元分解

  2. 非负矩阵分解方法不仅被用作数据降维,并且被广泛地应用于高光谱混合像元分解。由于非负矩阵分解常常陷于局部最小化,各种限制性条件被使用,如稀疏、体积等。深度学习作为一种新的数据挖掘方法被广泛地使用,其通过建立深度网络,进行贪婪学习,最终可以克服样本数据不足及陷于局部最优化的缺陷。文中借助深度学习的非监督训练方法,采用多层训练神经元进行非负矩阵高光谱混合像元分解,除此之外,数据的稀疏特性被当作先验知识用于多层网络的训练及重构。通过对真实高光谱遥感影像大量实验发现,此方法简单易行,且精度明显高于目前其它

  3. 所属分类：其它

    • 发布日期：2020-05-14
    • 文件大小：726016
    • 提供者：weixin_38506103

  1. 基于SSAE深度学习特征表示的高光谱遥感图像分类方法_商宏涛.pdf

  2. 针对遥感图像中高光谱数据的分类问题，提出一种基于堆叠稀疏自动编码器（ＳＳＡＥ）深度学习特征表示的高光谱遥感 图 像 分 类 方 法；首 先，将光谱数据样本进行预处理和归一化；然 后，将 其 输 入 到ＳＳＡＥ中进行特征表示学习，并通过网格搜索来获得最优网络参数，以此获得有效的特征表示；最后通过支持向量机（ＳＶＭ）分类器对输入图像特征进行分类，最 终实 现 遥感图像中像素的分类；在两个标准数据集上的实验结果表明，该方法能够实现准确的高光谱地物分类。

  3. 所属分类：机器学习

    • 发布日期：2020-02-14
    • 文件大小：477184
    • 提供者：qq_24887639

  1. 基于堆栈稀疏自编码的高光谱遥感影像分类

  2. 文中利用深度学习思想来实现影像光谱维和空间维的特征提取,同时尝试加入稀疏约束的限制条件,并结合Softmax分类器,实现高光谱遥感影像的分类。实验结果表明,加入空间特征的基于堆栈稀疏自编码的分类方法能够得到很好的分类效果。

  3. 所属分类：其它

    • 发布日期：2020-06-15
    • 文件大小：1048576
    • 提供者：weixin_38731239

  1. 高光谱分类深度学习DeepHyperX-master.zip

  2. 此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！

  3. 所属分类：深度学习

    • 发布日期：2020-10-28
    • 文件大小：32768
    • 提供者：qq_40178533

  1. Hyperspectral-Image-Classification-using-Deep-Learning:使用具有转移学习功能的深度神经网络架构进行高光谱图像分类-源码

  2. 利用深度学习对高光谱图像进行分类 使用具有转移学习功能的深度神经网络架构进行高光谱图像分类 这是尝试从论文中实现SGCNN-X（混洗组卷积神经网络）模型的尝试，其中X代表卷积层数。 要使用转移学习对Hypersectral影像进行分类，请执行以下步骤（来源：印度松树，目标：博茨瓦纳） 使用地面真实图像将图像和标签中大小为SXSX 64 （S-样本大小）的样本分配给这些样本。 使用变量overlay_ratio提取样本，这会生成多个数据集。 25％的重叠率意味着，当且仅当来自同一类别的下一个样

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：199229440
    • 提供者：weixin_42139252

  1. SSPSR:用于单个高光谱图像超分辨率（IEEE TCI）的空间光谱先验深度网络-源码

  2. SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：2097152
    • 提供者：weixin_42134143

  1. 泛锐化的多尺度密集深度学习方法

  2. Pansharpening的目的是通过融合较低分辨率多光谱（LRMS）图像中的光谱信息和相应的高分辨率全色（PAN）图像中的空间信息来产生高分辨率多光谱（HRMS）图像。 在这项工作中，我们提出了一种基于多尺度密集深度学习的泛锐化方法。 遵循端到端的学习架构，提出的深度神经网络包含三个模块：1）使用并行多尺度卷积层提取PAN图像的多尺度特征； 2）采用全局标识分支结构保存频谱结构； 3）集成了一个密集的学习块，以提高频谱空间的表达能力。 与其他最新方法相比，我们提出的方法获得的实验结果在可视化和

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：367616
    • 提供者：weixin_38659812

  1. 基于扩张卷积注意力神经网络的高光谱图像分类

  2. 为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型。首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,实现了多尺度特征的融合;最后,利用注意力机制使网络关注重要的空谱特征,并抑制噪声和冗余信息。在两个常用数据集上对本文算法和四种基于深度学习的分类算法进行对比实验,结果表明,

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：12582912
    • 提供者：weixin_38501751

  1. 基于高光谱成像技术结合堆栈自动编码器-极限学习机方法的苹果硬度检测

  2. 将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：4194304
    • 提供者：weixin_38663169

  1. 基于深度学习的高分辨率遥感影像分类研究

  2. 针对高空间分辨率遥感影像的分类问题，提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征，利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类，并与基于单源光谱信息的DBN 分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明：相对于单源光谱信息，利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度；相对于SVM、NN 等分类方法，DBN 能够更加准确地挖掘高分辨率遥感影像的空

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：2097152
    • 提供者：weixin_38524851

  1. 小样本高光谱遥感图像深度学习方法

  2. 小样本高光谱遥感图像深度学习方法

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：993280
    • 提供者：weixin_38663608

  1. 基于深度学习的高光谱图像空-谱联合特征提取

  2. 由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05

  3. 所属分类：其它

    • 发布日期：2021-02-07
    • 文件大小：6291456
    • 提供者：weixin_38507121

  1. 基于深度残差网络的高光谱遥感数据霾监测

  2. 霾监测是环境治理中的关键技术之一。目前地面观测站进行霾监测的耗费较大，基于多光谱遥感的霾识别精度较低。将深度学习用于高光谱遥感数据的霾监测，提出一种基于深度残差网络的高光谱霾监测方法，利用深度网络提取霾光谱曲线特征，再使用残差学习等方法降低网络训练难度，得到了霾监测模型。苏州地区Hyperion高光谱数据集上的实验表明，与其他遥感霾监测方法相比，所提方法的霾识别精度更高。

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：7340032
    • 提供者：weixin_38537968

  1. 基于深度学习的资源三号卫星遥感影像云检测方法

  2. 针对资源三号卫星影像波段少、光谱范围受限的特点, 提出了基于深度学习的资源三号卫星遥感影像的云检测方法。首先, 采用主成分分析非监督预训练网络结构, 获得了待测遥感影像特征; 其次, 为减少在池化过程中影像特征信息的丢失, 提出自适应池化模型, 该模型能很好地挖掘影像特征信息; 最后, 将影像特征输入支持向量机分类器进行分类, 获得了云检测结果。选取典型区域进行云检测实验, 并与传统Otsu方法进行对比。结果表明: 所提方法的检测精度高, 且不受光谱范围的限制, 可用于资源三号卫星多光谱影像和全

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：5242880
    • 提供者：weixin_38605604

  1. 高光谱遥感影像分类数据集.rar

  2. 高光谱遥感影像分类数据集，可用于高光谱遥感影像分类研究，尤其在深度学习中十分常用，包括Botswana、Indian Pines、Pavia University等。

  3. 所属分类：深度学习

    • 发布日期：2021-01-26
    • 文件大小：365953024
    • 提供者：JavaYoung123
« 12 »