申请/专利权人:天津大学
申请日:2020-09-25
公开(公告)日:2022-11-01
公开(公告)号:CN112215267B
主分类号:G06V10/762
分类号:G06V10/762;G06V10/772;G06V10/774
优先权:
专利状态码:有效-授权
法律状态:2022.11.01#授权;2021.01.29#实质审查的生效;2021.01.12#公开
摘要:本发明公开了一种面向高光谱图像的深度空谱子空间聚类方法,包括:构建多尺度编码器网络以提取不同尺度像素块的多尺度空谱特征,编码器网络利用M层2D卷积操作提取不同尺度像素块的空谱特征表示;基于多尺度空谱特征表示构建协同约束的多尺度自表达层,各自表达层以各像素块的空谱特征表示为字典,通过像素块空谱特征表示间的相互表达重建各像素块特征;引入多尺度解码器网络,所述多尺度解码器网络利用M层2D反卷积操作重建出输入的像素块;构建由单一尺度自表达损失函数、不同尺度间自表达相似性损失函数、重建损失函数组成的总体损失函数;基于总体损失函数训练模型,以获得各自表达层参数矩阵,进而获取到最终的自表达重建系数矩阵以此计算相似度矩阵,获取最终聚类结果。
主权项:1.一种面向高光谱图像的深度空谱子空间聚类方法,其特征在于,所述方法包括:构建多尺度编码器网络以提取不同尺度像素块的多尺度空谱特征,编码器网络利用M层2D卷积操作提取不同尺度像素块的空谱特征表示;基于多尺度空谱特征表示构建协同约束的多尺度自表达层,各自表达层以各像素块的空谱特征表示为字典,通过像素块空谱特征表示间的相互表达重建各像素块特征;引入多尺度解码器网络,所述多尺度解码器网络利用M层2D反卷积操作重建出输入的像素块;构建由单一尺度自表达损失函数、不同尺度间自表达相似性损失函数、重建损失函数组成的总体损失函数;基于总体损失函数训练模型,以获得各自表达层参数矩阵,进而获取到最终的自表达重建系数矩阵以此计算相似度矩阵,获取最终聚类结果;其中,所述单一尺度自表达损失函数用于通过最小化空谱特征表示与自表达层输出特征之间的误差,激励编码器网络学习到更适合子空间聚类的特征表示; 其中,为尺度i上的空谱特征矩阵;表示尺度i的自表达系数矩阵,n表示多尺度的数目;所述不同尺度间自表达相似性损失函数用于保证各自表达层参数间的一致性,最小化不同自表达层参数之间的差异; 所述重建损失函数用于计算输入像素块和重建像素块之间的重建误差; 其中,n表示多尺度的数目,表示为第i个尺度上所有中心像素的像素块,为编码器网络输出的尺度i的重建像素块。
全文数据:
权利要求:
百度查询: 天津大学 一种面向高光谱图像的深度空谱子空间聚类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。