UNIVERSI
TÄ
TS-
BIBLIOTHEK
P
ADERBORN
Anmelden
Menü
Menü
Start
Hilfe
Blog
Weitere Dienste
Neuerwerbungslisten
Fachsystematik Bücher
Erwerbungsvorschlag
Bestellung aus dem Magazin
Fernleihe
Einstellungen
Sprache
Deutsch
Deutsch
Englisch
Farbschema
Hell
Dunkel
Automatisch
Sie befinden Sich nicht im Netzwerk der Universität Paderborn. Der Zugriff auf elektronische Ressourcen ist
gegebenenfalls
nur via VPN oder Shibboleth (DFN-AAI) möglich.
mehr Informationen...
Universitätsbibliothek
Katalog
Suche
Details
Zur Ergebnisliste
Ergebnis 9 von 120
Datensatz exportieren als...
BibTeX
谱间对比学习的高光谱图像无监督特征提取
测绘学报, 2023-07, Vol.52 (7), p.1164-1174
杭仁龙
李成相
刘青山
2023
Details
Autor(en) / Beteiligte
杭仁龙
李成相
刘青山
Titel
谱间对比学习的高光谱图像无监督特征提取
Ist Teil von
测绘学报, 2023-07, Vol.52 (7), p.1164-1174
Ort / Verlag
江苏省大气环境与装备技术协同创新中心,江苏南京210044
Erscheinungsjahr
2023
Link zum Volltext
Quelle
Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals
Beschreibungen/Notizen
P237; 深度学习通过逐层抽象的方式提取输入数据的深层特征,近年来在高光谱图像分类领域得到了广泛的应用.现有的高光谱图像深度特征提取方法大多属于有监督学习模型,其训练过程需要大量标记样本,而高光谱图像逐像素的标注困难且费时.为此,本文提出了一种基于谱间对比学习的无监督深度学习模型.无须对样本进行标注,仅通过建模不同光谱波段之间的关系便可实现特征提取.具体而言,由于高光谱图像不同的光谱通道刻画了同一物体在不同电磁波段的响应程度,因此必然存在一个特征空间,使得不同通道的光谱信息具有相似的表征.受此启发,本文首先将高维光谱信息分成两组,然后利用多层卷积操作分别提取每组波段的特征,最后对比不同样本所提取的特征,通过对比损失函数来优化模型.为了测试本文方法的性能,将其应用于高光谱图像分类任务中,在Houston 2013、Pavia University和WHU-Hi-Longkou 3个常用的数据集上进行了验证.试验结果表明,在每类仅使用10个训练样本的前提下,本文所提出的无监督学习模型能够获得比主成分分析、自编码器等常见的无监督模型更优越的分类性能.
Sprache
Chinesisch
Identifikatoren
ISSN: 1001-1595
DOI: 10.11947/j.AGCS.2023.20220493
Titel-ID: cdi_wanfang_journals_chxb202307010
Format
–
Weiterführende Literatur
Empfehlungen zum selben Thema automatisch vorgeschlagen von
bX