- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于Wasserstein生成对抗网络的高光谱图像无监督特征提取
摘要： 特征提?。‵E）是高光谱图像（HSI）处理中的关键研究领域。近年来，由于深度学习（DL）在提取空间和光谱特征方面具有强大能力，基于DL的FE方法展现出巨大的应用潜力。然而，大多数基于DL的FE方法属于监督学习，其训练过程严重受限于高光谱图像中标注样本的缺失问题，这制约了监督式DL特征提取方法在高光谱处理中的应用。为解决该问题，本文提出一种改进型生成对抗网络（GAN），用于无监督地训练DL特征提取器。该网络包含生成器和判别器两个组件：生成器专注于数据集真实概率分布的学习，判别器则能有效提取具有优异不变性的空间-光谱特征。为实现自适应学习上采样与下采样策略，生成器采用全反卷积子网络设计，判别器则基于全卷积子网络构建。此外，通过利用生成器与判别器的零和博弈关系，设计了新型极小极大代价函数，实现端到端的无监督GAN训练。该方法还将原始JS散度替换为Wasserstein距离，以缓解GAN框架训练过程中的不稳定性和困难性。三个真实数据集的实验结果验证了所提方法的有效性。
关键词： 卷积神经网络（CNN）、高光谱图像（HSI）、特征提取（FE）、生成对抗网络（GAN）
更新于2025-09-11 14:15:04
-
基于卷积神经网络的虹膜识别特征提取
摘要： 虹膜是一种可靠的人体识别强大工具，具有高度确信地识别个体的潜力。提取优质特征是虹膜识别系统中最关键的步骤。过去，人们采用不同特征来实现虹膜识别系统，其中大多数依赖于生物识别专家设计的手工特征。由于深度学习在计算机视觉问题中的成功应用，卷积神经网络（CNN）学习到的特征在虹膜识别系统中的应用备受关注。本文评估了从预训练卷积神经网络（Alex-Net模型）提取的学习特征，随后结合多类支持向量机（SVM）算法进行分类。我们研究了从分割虹膜图像和标准化虹膜图像中提取特征时所提系统的性能。该虹膜识别系统在四个公开数据集（IITD、CASIA-Iris-V1、CASIA-Iris-thousand和CASIA-Iris-V3 Interval虹膜数据库）上进行了测试，取得了以极高准确率呈现的卓越效果。
关键词： 虹膜、识别、特征提?。‵E）、卷积神经网络（CNN）、深度学习、生物识别技术
更新于2025-09-10 09:29:36