＜SPECTRAL-SPATIAL CLUSTERING OF HYPERSPECTRAL IMAGE BASED ON LAPLACIAN REGULARIZED DEEP SUBSPACE ＞笔记

最新推荐文章于 2023-03-22 21:36:45 发布
最新推荐文章于 2023-03-22 21:36:45 发布
阅读量139 收藏 2
点赞数 1
分类专栏： 聚类算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41749451/article/details/119513172
版权

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二维卷积

在这里插入图片描述

三维卷积

在这里插入图片描述

抢我糖还想跑
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ELM-based spectral–spatial classification of hyperspectral images using bilateral filtering information on spectral band-subsets
02-11
As single-layer feed-forward neural networks, extreme learning machine (ELM) has recently been used with success for the classification of hyperspectral images (HSIs). However, the results of pure ...
A deep network based on multiscale spectral-spatial fusion for Hyperspectral Classification
02-08
### 基于多尺度光谱空间融合的深度网络在高光谱图像分类中的应用 #### 概述 ...高光谱图像拥有连续数百个光谱带和高度的空间相关性，这使得它能够携带丰富的光谱和空间信息，非常有利于不同材料的分类。...
基于深度学习方法与张量方法的图像去噪相关研究
SmartLab307的博客
03-22 4365
本文介绍深度学习的知识与张量相结合在图像去噪方面的应用。
图拉普拉斯正则
Z609834342的博客
04-06 8464
http://www.cnblogs.com/xingshansi/articles/6702188.html
Python：拉普拉斯正则逻辑回归 Laplacian Regularization Logistic Regression
DeniuHe的博客
09-26 937
from copy import deepcopy import numpy as np import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score from sklearn.linear_model import LogisticRegression f.
【论文浅读】《Deep Pyramidal Residual Networks for Spectral–Spatial Hyperspectral Image Classification》
卷子的博客
05-26 1901
创新思想： 文章提出了一种专门针对高光谱图像分类(Hyperspectral Image Classification, HSI)问题的深层CNN体系结构，称为高光谱金字塔ResNet结构模型(Hyperspectral Pyramidal ResNet)。 这个模型用残差的方法逐渐增加了所有卷积层的特征映射维数，并且在金字塔瓶颈残差块中分组，是为了在得到更多的位置信息的同时降低每层的时间复杂度。 主要原理： 残差模块单元。 残差模块单元中不同的卷积模型： 左：传统的残差模块中卷积层有相同的拓扑； 中：
＜Laplacian Regularized Few-Shot Learning＞笔记
F_aF_a的博客
08-29 561
文章目录思想数学公式特征提取器fθf_{\theta}fθ​实现细节Proposed Algorithm for LaplacianShot 思想 we minimize a quadratic binary-assignment function containing two terms: (1) a unary term assigning query samples to the nearest class prototype, and (2) a pairwise Laplacian term e
Exploring Structural Consistency in Graph Regularized Joint Spectral-Spatial Sparse Coding for Hyperspectral Image Classification
02-22
在超光谱图像分类领域中，谱间和空间数据的分布对于描述和识别图像中的不同材料和物体是至关重要的。此外，跨波段一致的空间结构有助于捕捉物体的固有结构信息。这意味着，在使用稀疏编码方法重建图像时，需要考虑三...
Active Transfer Learning Network: A Unified Deep Joint Spectral-Spatial Feature Learning Model for Hyperspectral Image Classification
02-07
Deep learning has recently attracted significant attention in the field of hyperspectral images (HSIs) classification. However, the construction of an efficient deep neural network mostly relies on a ...
Spectral-Spatial Hyperspectral Image Classification via Multiscale Adaptive Sparse Representation
02-09
Sparse representation has been demonstrated to be a powerful tool in classification of hyperspectral images (HSIs). The spatial context of an HSI can be exploited by first defining a local region for ...
SSC稀疏子空间聚类
小海鲜的博客
08-06 2879
子空间聚类 稀疏子空间聚类(SSC) 主要过程分两步： 1、利用交替方向乘子迭代(ADMM)求解稀疏系数矩阵 2、谱聚类(图割) ADMM Sparse Subspace Clustering： Algorithm, Theory, and Applications --2009 谱聚类 iris_data                
VAE-＞VaDE-＞DGG 三篇论文演化讲起
小海鲜的博客
08-04 2765
一、变分自编码(VAE) 如上图所示，假设有两张训练图片，一张是全月图，一张是半月图，经过训练我们的自编码器模型已经能无损地还原这两张图片。接下来，我们在z上，两张图片的编码点中间处取一点，然后将这一点交给解码器，我们希望新的生成图片是一张清晰的图片（类似3/4全月的样子）。但是，实际的结果是，生成图片是模糊且无法辨认的乱码图。一个比较合理的解释是，因为编码和解码的过程使用了深度神经网络，这是一个非线性的变换过程，所以在z上点与点之间的迁移是非常没有规律的。也就是说中间隐层z的分布，我们是未知的，因此我们
Subtrative Clustering 减法聚类
小海鲜的博客
08-06 1824
算法流程： 优缺点 其他改进算法
密度聚类总结 (DBSCAN、OPTICS 、DPC 、CFSFDP、 DENCLUE、 山峰、减法)
小海鲜的博客
08-06 1573
＜Variational Deep Embedding An Unsupervised and Generative Approach to Clustering＞笔记
小海鲜的博客
08-03 1094
直观分析VaDE 神经网络模型：
CURE层次聚类
小海鲜的博客
08-06 1007
思路 1 最开始，每个对象就是一个独立的类 2 为了处理大数据，采用“随机抽样”（降低数据量，提高效率）和“分割手段”（样本分割成几部分，然后针对每部分局部聚类，形成子类，再对子类聚类形成新的类）。 3 传统算法通常采用一个对象来代表类，cure采用“多个中心”代表类 4 对噪声点的处理： （1）聚类过程中增长缓慢（我认为是类内个数增加速度慢）的直接剔除 （2）聚类快结束的时候，把类内个数明显少的类剔除 和AGNES算法的区别 取消了使用所有点或用中心点+距离来表示一个类，而是从每个类中抽取固定数量、分布较
＜Deep_Clustering_by_Gaussian_Mixture_Variational_Autoencoders_With_Graph_Embedding_ICCV_2019_＞代码
小海鲜的博客
08-04 786
Siamese Network Siamese network ：“连体的神经网络”，神经网络的“连体”是通过共享权值来实现的，如下图所示。 共享权值是左右两个神经网络的权重一模一样。 主要作用：衡量两个输入的相似程度。孪生神经网络有两个输入（Input1 and Input2）,将两个输入feed进入两个神经网络（Network1 and Network2），这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示。通过Loss的计算，评价两个输入的相似度。 适用场景：类别数多，但每个类别的样本
AGNES(Agglomerative Nesting)层次聚类
小海鲜的博客
08-06 734
基本思想 如果簇C1中的一个对象和簇C2中的一个对象之间的距离是所有属于不同簇的对象间欧式距离中最小的，C1和C2可能被合并。这是一种单连接方法，其每个簇可以被簇中的所有对象代表，两个簇之间的相似度由这两个簇中距离最近的数据点对的相似度来确定。 算法描述： 输入：包含n个对象的数据库，终止条件簇的数目k 输出：k个簇 （1） 将每个对象当成一个初始簇 （2） Repeat （3） 根据两个簇中最近的数据点找到最近的两个簇 （4）
＜Deep_Clustering_by_Gaussian_Mixture_Variational_Autoencoders_With_Graph_Embedding_ICCV_2019_＞笔记
小海鲜的博客
08-04 633
个人理解 步骤一 步骤二 步骤三 步骤四 步骤五 模型图
能写一段Spectral-Spatial Convolution的代码吗
最新发布
03-28
抱歉，作为AI语言模型，我无法编写代码。但是，我可以解释Spectral-Spatial Convolution的原理和应用。 Spectral-Spatial Convolution是一种常用于图像和遥感图像处理的卷积神经网络（CNN）层。它结合了空间信息和频谱信息，将空间域和频域信息相互作用，从而可以更有效地提取图像特征。 在Spectral-Spatial Convolution中，每个卷积核包含两部分：空间卷积核和频谱卷积核。对于每个像素，空间卷积核在空间上滑动，频谱卷积核在频谱上滑动，两者在空间域和频域上的输出相互作用，得到最终的卷积结果。 以下是一个示例代码，展示了如何在PyTorch中实现Spectral-Spatial Convolution层： ``` import torch import torch.nn as nn import torch.nn.functional as F class SpectralSpatialConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size): super(SpectralSpatialConv, self).__init__() self.spatial_conv = nn.Conv2d(in_channels, out_channels, kernel_size) self.fft = torch.fft.fftn self.ifft = torch.fft.ifftn self.kernel_size = kernel_size self.out_channels = out_channels self.in_channels = in_channels self.weight = nn.Parameter(torch.Tensor(out_channels, in_channels, kernel_size, kernel_size)) self.reset_parameters() def reset_parameters(self): nn.init.kaiming_uniform_(self.weight, a=math.sqrt(5)) def forward(self, x): # Perform spatial convolution spatial_output = self.spatial_conv(x) # Perform spectral convolution fft_input = self.fft(x, dim=[2,3]) fft_kernel = self.fft(self.weight, dim=[2,3]) fft_output = torch.matmul(fft_input, fft_kernel) spectral_output = self.ifft(fft_output, dim=[2,3]).real # Combine spatial and spectral outputs output = spatial_output + spectral_output return output ``` 在这个例子中，我们定义了一个SpectralSpatialConv类，它继承了nn.Module类。在__init__方法中，我们定义了空间卷积和频谱卷积的卷积核，并初始化了权重。在forward方法中，我们首先进行空间卷积，然后进行频谱卷积，并将两个输出相加，得到最终的输出。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值