- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于深度学习的高光谱图像特征提取方法，用于太平洋白虾（凡纳滨对虾）TVB-N含量的无损预测
摘要： 采用光谱范围为900-1700 nm的高光谱成像(HSI)技术预测太平洋白虾的总挥发性盐基氮(TVB-N)含量。比较使用连续投影算法(SPA)和基于深度学习的堆叠自编码器(SAEs)算法进行光谱特征提取，采用最小二乘支持向量机(LS-SVM)、偏最小二乘回归(PLSR)和多元线性回归(MLR)进行预测。结果表明，基于SAEs的预测模型(SAEs-LS-SVM、SAEs-MLR和SAEs-PLSR)表现优于全波长或SPA基础模型。其中SAEs-LS-SVM模型最优，在预测集上对TVB-N的预测相关系数(RP2)达0.921，均方根误差(RMSEP)为6.22 mg N[100 g]?1，剩余预测偏差(RPD)为3.58，计算耗时仅3.9毫秒。本研究表明SAEs在虾类品质检测的高光谱图像多元分析中具有很高应用潜力。
关键词： 堆叠自编码器、太平洋白虾、总挥发性盐基氮、无损预测、高光谱成像
更新于2025-09-23 15:23:52
-
基于堆叠自编码器的自适应子空间高光谱异常检测模型
摘要： 近年来，一些自适应子空间模型在高光谱异常检测（AD）中表现优异。本文提出了一种基于堆叠自编码器的自适应子空间模型（SAEASM）。首先，以测试点为中心选取内窗、外窗和字典窗三个窗口，获取高光谱图像（HSI）中的局部背景像素点和字典。其次，利用堆叠自编码器架构获取测试点与局部字典像素之间差异的深度特征；随后，同样采用该架构获取局部背景像素与局部字典像素之间差异的深度特征。最终，基于上述两个深度特征的2-范数，通过堆叠自编码器构建的自适应子空间模型获得检测结果。在真实与合成高光谱数据上的实验表明，所提SAEASM算法总体性能优于对比算法。
关键词： 高光谱图像，堆叠自编码器，自适应子空间，异常检测
更新于2025-09-23 15:23:52
-
基于协同训练的半监督堆叠自编码器在高光谱图像分类中的应用
摘要： 近年来，深度学习（DL）在高光谱图像（HSI）分类领域备受关注。尽管现有文献中存在许多有效框架，但训练样本普遍有限的问题给DL应用于HSI分类带来了巨大挑战。本文提出一种新型DL框架——采用协同训练的半监督堆叠自编码器（Semi-SAEs）用于HSI分类。首先分别基于高光谱特征和空间特征对两个SAE进行预训练；其次通过设计有效的区域生长方法扩充初始训练集，以半监督协同训练方式交替微调这两个SAE；最后采用迭代条件模式求解的马尔可夫随机场模型融合两个SAE获得的分类概率?；谌鲋髁鞲吖馄资菁氖笛榻峁砻?，该方法优于其他最先进的DL方法。
关键词： 深度学习（DL）、堆叠自编码器（SAEs）、协同训练、高光谱图像（HSI）半监督分类、马尔可夫随机场（MRF）
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 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像多类变化检测的堆叠自编码器
摘要： 多时相数据集中的变化检测（CD）是遥感领域的关键任务。本文提出一种通过堆叠自编码器（SAEs）提取特征来实现遥感高光谱数据集多类别变化的方案。该方案结合多类别与二进制变化检测以获取精确的多类别变化图：多类别变化检测首先融合多时相数据，再通过堆叠自编码器进行特征提?。欢票浠觳饣诠馄仔畔⒓扑阆袼丶毒嗬氩⑸瓒ㄣ兄?，同时通过分水岭分割融入空间信息。处理后的图像经二进制变化检测图过滤后，采用支持向量机或极限学习机算法进行分类。该方案在Hyperion传感器获取的多时相高光谱数据集上进行了评估，实验结果表明：相较于其他已发表的特征提取方法，使用堆叠自编码器提取融合信息相关特征时，本方案具有显著有效性。
关键词： 变化检测、堆叠自编码器、特征提取、高光谱、支持向量机、极限学习机
更新于2025-09-10 09:29:36