- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种具有多尺度卷积和多样化度量的CNN用于高光谱图像分类
摘要： 近期，研究人员已证实多层深度方法在提取高层特征及提升高光谱图像分类性能方面具有强大能力。然而传统深度模型的普遍问题是：由于训练样本数量有限（尤其针对类内方差大而类间方差小的图像），所学深度模型可能并非最优解。本文提出新型多尺度卷积神经网络（MS-CNNs），通过从高光谱图像中提取深层多尺度特征来解决该问题。此外，深度度量通常与MS-CNNs配合使用以增强高光谱图像的表征能力，但常规度量学习会使所学模型中的度量参数趋于相似——这种相似性会导致明显的模型冗余，从而对深度度量的描述能力产生负面影响。传统上可采用行列式点过程（DPP）先验来促使所学因子相互排斥以实现多样化。本文结合MS-CNNs与基于DPP的多样性促进深度度量优势，开发出具有多尺度卷积和多样化度量的CNN，以获取高光谱图像分类的判别性特征。通过在四个真实高光谱图像数据集上的实验，验证了所提方法的有效性与适用性。实验结果表明：相较于原始深度模型，本方法在不同高光谱图像数据集上（无论是光谱特征还是光谱-空间特征）均能取得相当甚至更优的分类性能。
关键词： 深度度量学习，行列式点过程（DPP），图像分类，多尺度特征，卷积神经网络（CNN），高光谱图像
更新于2025-09-23 15:23:52
-
基于图的高光谱图像分类半监督学习方法综述
摘要： 本文对高光谱图像（HSI）分类的最新图学习方法进行了全面综述，包括基于光谱信息的图半监督分类和基于光谱-空间信息的图半监督分类。此外，相关技术被归类为以下子类型：(1) 基于流形表示的高光谱图像分类图半监督学习；(2) 基于稀疏表示的高光谱图像分类图半监督学习。针对每种技术，讨论了方法论、训练与测试样本、各类技术难点及性能表现，并指出了图模型带来的未来研究挑战。
关键词： 图像分类、高光谱图像、半监督学习、基于图的学习
更新于2025-09-23 15:23:52
-
利用光谱和超像素引导的形态学剖面对ForestPA在高分辨率遥感影像分类中的评估
摘要： 在甚高分辨率（VHR）遥感（RS）分类任务中，传统的基于像素的上下文信息提取方法（如形态学剖面（MPs）、扩展形态学剖面（EMPs）以及具有有限数量、尺寸和形状结构元素（SEs）的部分重构形态学剖面（MPPR））无法完美匹配图像中所有目标的大小和形状。为克服这一局限，我们引入了新颖的空间特征提取器——超像素引导的形态学剖面（SPMPs），其中超像素被用作重构开运算和重构闭运算中的结构元素。此外，为避免超像素内异常最大值和最小值可能带来的副作用，采用了超像素的平均像素值（SPMPsM）。同时，提出了一种新的基于惩罚先前树属性的决策森林方法ForestPA，并通过在三项VHR多/高光谱遥感图像分类任务上的对比研究进行评估。实验采用支持向量机及基准集成分类器（包括装袋法、AdaBoost、MultiBoost、ExtraTrees、随机森林和旋转森林）。实验结果证实，相较于MPs和MPPR，所提出的SPMPs和SPMPsM具有有效性和更优的性能。此外，从计算效率和分类精度角度看，ForestPA仅优于装袋法，且不适用于从高维海量样本中学习。
关键词： ForestPA、超像素、MPs、超像素引导的形态学剖面、MPPR、图像分类、甚高分辨率图像
更新于2025-09-23 15:23:52
-
基于类别残差注意力学习的多标签胸部X光图像分类
摘要： 本文研究了胸部X光图像多标签胸腔疾病分类问题。从胸片识别一种或多种病理常受无关病理干扰。为此，我们提出类别残差注意力学习（CRAL）框架：通过类特异性注意力视图预测多病理存在情况，对无关类别特征赋予较小权重以抑制干扰，同时增大相关特征的权重强化其表现。该框架包含特征嵌入模块与注意力学习?？椤罢咄ü砘窬缣崛「卟闾卣?，后者专注于探索不同类别的权重分配方案，且能灵活集成至任意特征嵌入网络进行端到端训练。在Chest X-ray14数据集上的综合实验表明，CRAL取得0.816的平均AUC分数，刷新了当前最优性能。
关键词： 图像分类，胸部X光片，卷积神经网络，残差注意力机制
更新于2025-09-23 15:23:52
-
[IEEE 2018年第二届数据科学与商业分析国际会议（ICDSBA）- 中国长沙（2018.9.21-2018.9.23）] 2018年第二届数据科学与商业分析国际会议（ICDSBA）- 基于全卷积神经网络的糖尿病视网膜病变图像检测
摘要： 本文探讨了在数据科学与商业分析背景下，卷积神经网络（CNN）模型在数字图像处理中的开发与应用，重点在于提高图像分类任务的准确性与效率。
关键词： 图像分类、数字图像处理、商业分析、数据科学、卷积神经网络
更新于2025-09-23 15:22:29
-
基于GF-1卫星影像的光谱-空间特征自动无监督水体提取
摘要： 从遥感影像中提取水体是一个重要且非平凡的问题，这源于各类水体光谱特性的复杂性以及冗余背景信息的影响。本文提出一种融合光谱与空间特征的自动多特征水体提?。∕FWE）方法，用于无监督方式下对GF-1多光谱影像进行水体提取。首先讨论了一个称为像素区域指数（PRI）的空间特征指标，用于描述像素周围局部区域的平滑度。PRI有助于辅助归一化差异水体指数（NDWI）检测主要水体，尤其在城区环境中具有优势。另一方面，部分边界附近的水体像素可能未被纳入主要水体，随后通过k均值聚类将所有水体像素聚类为同一组作为引导图。最后合并主要水体与引导图以获得最终水体掩膜。实验结果表明，对所有七幅GF-1影像场景均获得了准确的水体掩膜。选取三幅具有复杂背景和水体条件的影像，将所提方法与NDWI阈值法及支持向量机分类进行定量比较，验证了该方法具有更高的精度和有效性。
关键词： 水体提取、图像分类、光谱-空间特征、GF-1影像
更新于2025-09-23 15:22:29
-
基于深度迁移学习的PolSAR图像语义分割——利用小训练集实现平滑分类
摘要： 受斑点噪声和复杂散射现象影响，合成孔径雷达（SAR）图像的分类结果通常存在噪声干扰且碎片化，难以在实际应用中发挥作用?；谏疃妊暗挠镆宸指罴际跄芡绞迪址指钣敕掷?，从而获得平滑精细的分类图谱。但这类方法需要大量像素级标注的数据集，其获取过程耗时且繁琐。相比普通照片和光学遥感影像，SAR数据的人工标注难度更大，导致相关技术在该领域的应用进展滞后。本文提出新数据集以支持高分辨率极化SAR图像的语义分割研究。受前述问题限制，该数据集规模较小仅含50个图像块。为此提出两种迁移学习策略：分别采用全卷积网络（FCN）和U-net架构，并选用不同预训练数据集以适应不同场景。实验表明两种方法均表现良好，证实了小规模训练集的可行应用前景。值得注意的是，尽管基于小图像块训练，两个网络都能完美适配大尺寸图像。该新数据集及方法有望为各类极化SAR应用提供基准参考。
关键词： 偏振测量、合成孔径雷达、图像分类、深度学习、图像分割
更新于2025-09-23 15:22:29
-
用于图像处理的可见性图
摘要： 图像可见性图（IVG/IHVGs）作为一类简单算法，近期被提出用于将标量场映射为图结构。本文探究了该算子在图像处理与分类场景中的实用性。我们证明图像可见性图的连接架构蕴含了图像结构的关键信息，并探索其作为图像滤波器的潜力。通过引入包括"可见性区块"这一新概念在内的多种图特征，多个实例表明这些特征具有高度信息量、计算高效且能普适应用于通用模式识别与图像分类任务。
关键词： 图像可见性图、图像处理、模式识别、图特征、可见性块、图像分类
更新于2025-09-23 15:22:29
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于极化流形的全卷积网络用于SAR图像分类
摘要： 图像分类性能取决于对图像特征的理解和分类器的选择。由于特殊的成像机制，实现遥感影像的精确分类仍颇具挑战。本文提出一种具有极化流形结构的全卷积网络用于合成孔径雷达（SAR）图像分类。首先提取极化特征来描述目标信息，然后通过流形结构将高维特征点映射到低维空间。这种方式使单一流形的效果等同于多层卷积?；赟AR图像数据的实验结果表明，所提出的流形网络能有效分离极化特征并提高分类精度。
关键词： 流形结构，合成孔径雷达（SAR），图像分类，卷积网络
更新于2025-09-23 15:22:29
-
光学相干断层扫描作为低资源环境中的口腔癌筛查辅助手段
摘要： 口腔癌是全球第六大常见癌症，主要发生在中低收入国家（LMIC）。三分之二的病例在预后和治疗结果较差的晚期才被检出?？谇徊”渫ǔＭü庋奂觳榉⑾?，随后需进行侵入性手术活检和耗时的组织病理学分析。光学相干断层扫描（OCT）作为一种微创断层成像技术，可无创识别口腔黏膜的癌前或恶性病变。本研究设计、构建并测试了一种移动式OCT成像系统，评估其作为中低收入国家即时口腔诊断设备的性能。试点研究纳入20例疑似口腔病变患者和10名健康受试者，收集了二维（2-D）OCT图像、临床检查数据、风险习惯史及组织病理学资料。通过盲法视觉评分和计算机图像处理技术，对健康口腔黏膜、异型增生及恶性肿瘤的OCT图像进行评估。结果显示，OCT图像处理算法的表现达到甚至超过了观察者对OCT图像的视觉评分效果。
关键词： 癌症、图像分类、光学相干断层扫描、生物医学光学成像、生物医学图像处理
更新于2025-09-23 15:21:21