申請/專利權人：哈爾濱理工大學

申請日：2023-06-15

公開（公告）日：2023-09-15

公開（公告）號：CN116758349A

主分類號：G06V10/764

分類號：G06V10/764;G06V10/77;G06V10/774;G06V10/82;G06N3/0464;G06N3/048;G06N3/047;G06N3/08

優先權：

專利狀態碼：在審-公開

法律狀態：2023.09.15#公開

摘要：本發明公開了一種基于多尺度超像素節點聚合圖卷積殘差網絡的高光譜圖像分類方法，屬于圖像分類技術領域，該方法構建了多尺度超像素模塊，利用節點聚合操作，在多個尺度上構建不同的圖，不僅可以減輕大圖帶來的計算負擔，而且可以從不同角度描述類別邊緣區域，提高邊緣分類的準確性；構建了端到端的圖卷積殘差網絡模塊，能夠更深入地挖掘了數據的潛在特征；設計了一個minibatch方案的圖卷積殘差網絡以進一步考慮計算成本，并且加快網絡收斂?；诙喑叨瘸袼毓濣c聚合圖卷積殘差網絡的高光譜圖像分類方法，根據不同尺度的超像素信息，探討了不同區域的特征結構，增強了模型空譜特征的提取，與其他方法相比，精確度更高，性能更加穩健。

主權項：1.一種基于多尺度超像素節點聚合圖卷積殘差網絡的高光譜圖像分類方法，其特征在于，所述方法包括步驟：1構建多尺度超像素模塊1a對原始數據集進行主成分分析生成實驗數據，提取實驗數據第一維度特征進行多尺度超像素分割，生成多個尺度的超像素信息，尺度越大表示分割后超像素數量越多；1b將實驗數據和標簽數據劃分為訓練集和測試集；2構建節點聚合模塊2a輸入訓練集，將同尺度下處于相同超像素塊內的像素節點進行聚合操作，生成一個節點級特征；其他超像素塊操作相同，最后生成的節點級特征數量與超像素塊數量一致。其他尺度的聚合操作也相同，換言之多個尺度的超像素信息對應生成多個尺度的節點級特征；2b根據節點級特征構造鄰接矩陣，準備好每個尺度的節點級特征和鄰接矩陣作為網絡輸入；3構建多尺度圖卷積殘差網絡模塊3a為每個尺度構造一個圖卷積殘差網絡分支，該網絡由三層GCRN組成，GCRN包含圖卷積模塊和殘差項兩部分組成，圖卷積模塊由BN層、GCN層、BN層和RELU層相連而成，殘差項是將第一個BN層的輸入與RELU層的輸出在特征維度進行拼接操作；其中最大尺度不同于其他尺度，采用minibatch方法構建圖卷積殘差網絡，采用小批量策略，每次只輸入部分樣本和對應的子鄰接矩陣；將不同尺度的節點級特征和鄰接矩陣輸入到對應的網絡分支中，得到網絡輸出特征；3b對網絡輸出特征進行擴散操作，還原到聚合前的維度大小，生成像素級特征，再將每個尺度的像素級特征合并成一個最終用于分類的特征；3c將用于分類的特征送入softmax分類模塊進行分類，得到預測標簽；4構建以交叉熵函數為基礎的損失函數計算損失值，進行網絡訓練，直至損失值最小，網絡收斂；5將測試集傳入節點聚合模塊，在通過圖卷積殘差網絡模塊，得到分類結果，計算分類精度。

全文數據：

權利要求：

百度查詢： 哈爾濱理工大學 基于多尺度超像素節點聚合圖卷積殘差網絡的高光譜圖像分類方法

免責聲明
1、本報告根據公開、合法渠道獲得相關數據和信息，力求客觀、公正，但并不保證數據的最終完整性和準確性。
2、報告中的分析和結論僅反映本公司于發布本報告當日的職業理解，僅供參考使用，不能作為本公司承擔任何法律責任的依據或者憑證。

閱讀全文 雙屏查看 官方信息 專利公告 收藏專利 下載PDF 下載WORD