sinat_41421587的博客

原创 Cross Hyperspectral and LiDAR Attention Transformer

然而，基于电流互感器的遥感技术主要关注单模态数据，限制了其充分利用不断增长的多模态地球观测数据的潜力。我们提出了一种新颖的多模式深度学习框架，可有效融合遥感（RS）数据，旨在改善土地利用和土地覆盖（LULC）识别。为了增强不同模态之间信息的准确交换，我们使用 Cross-HL 自注意力模块融合了它们的补丁投影。为了证明 Cross-HL 在所提出的多模态深度学习框架中的优越性，我们对三个多模态 RS 基准数据集：Houston、Trento 和 MUUFL 进行了广泛的实验。跨域特征的关联性提取。

原创 高光谱影像分类论文解读分享之Attention Graph Convolutional Network for Disjoint Hyperspectral Image Classification

然而，由于CNN通过集中在中心像素的固定形状的核来学习特征，因此对分类边界区域的识别变得模糊，并且在类边界区域的图像分类中表现不佳。因此，本文将对CNN的分类边界区域进行改进本文提出了一种基于注意力图的卷积网络模型。例如，在奥格斯堡数据基准测试中，该算法的平均准确率为61.11%，比其他模型如HybriSN iFormer、Efficient Forward、GCN、CoAtNet、2D-CNN、3D-CNN和Resnet分别高出约9、13、14、15、18、24、25和29个百分点。

原创 深度学习论文解读分享之Residual wave vision U-Net for flood mapping using dual polarization Sentinel-1 SAR image

及时获取有关洪水范围的准确数据对于有效的应急准备和缓解工作至关重要。CNN 的主要局限性之一是它们只能预测所需的特征是否会出现在图像中，而不能预测它可以被识别的位置。然而，ViT 中的自注意力模块非常复杂且计算成本昂贵，并且它们需要大量的地面数据才能获得图像分类/分割的全部能力。因此，在本文中，我们开发了残差波视觉 U-Net (WVResU-Net)，这是一种深度学习分割架构，它利用先进的视觉多层感知器 (MLP) 和 ResU-Net，使用 Sentinel 进行准确可靠的洪水映射。

原创 高光谱分类论文解读分享之局部聚合与全局关注网络的高光谱影像分类

然而，原始光谱特征的低表示限制了分割的精度。此外，现有的基于GNN的方法没有考虑长程节点之间的重要性。本文首先提出了一种新的超像素生成策略，称为光谱诱导对齐超像素分割，该策略具有较高的分类精度更具体地说，利用深层自动编码器挖掘深层光谱特征，并进一步探索了最小融合和最大融合两种融合策略来融合分割结果。由于节点信息在局部邻域中的聚集，进一步使用的图变换可以自适应地对邻域内信息进行建模，从而为HSIC开发了一个由LAGAB组成的网络，并在四个重要的HS数据集上进行了综合实验，结果表明该方法具有良好的分类性能。

原创 高光谱变化检测论文解读分享之基时相差异引导网络的高光谱影像变化检测

此外，双时相图像中不可避免地存在大量的冗余特征，这严重影响了基于卷积神经网络的方法的训练效率。针对这两个问题，我们提出了一种基于时间差分制导的高光谱图像变化检测网络TDGN，该网络具有较高的训练效率该方法首先从双时相图像中分层提取丰富的光谱特征，然后利用细化的卷积门控递归单位块在空间维度上产生两幅图像在不同层次上的差值，并将不同层次的差值融合到最终的检测中，更重要的是，为了提高主干网络的特征提取效率，还利用得到的各级差值来生成变化权重来指导下一阶段的特征提取。网络阶段性变化信息利用率有待提高。

原创 高光谱分类论文解读分享之Grid Network: 基于各向异性视角下特征提取的高光谱影像分类

IEEE GRSL 2023：Grid Network: 基于特征各向异性的高光谱影像分类题目Grid Network: Feature Extraction in Anisotropic Perspective for Hyperspectral Image Classification作者Zhonghao Chen , Student Member, IEEE, Danfeng Hong , Senior Member, IEEE, and Hongmin Gao , Member, IEEE

原创 高光谱目标检测论文解读分享之全局到局部：一种分级高光谱影像目标检测算法

高光谱图像(HSI)以其强大的地物光谱信息捕捉能力在目标检测领域受到了广泛的关注，已有大量的检测算法被开发出来。首先，利用扩展的形态属性轮廓(EMAP)对HSI中的全局空间纹理信息进行建模，然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模，然后利用扩展的形态属性轮廓(EMAP)对HSI的全局空间纹理信息进行建模。更重要的是，为了更有效地区分不同方向的邻域信息，我们设计了一种自适应邻域特征聚合策略，该策略将综合评估不同方向邻域信息的重要性，从而可以综合考虑高光谱目标检测的空间特征。

原创 深度学习论文解读分享之diffGrad：一种卷积神经网络优化方法

因此，深度网络优化的一个有效方法是对每个参数具有自适应的步长。在DiffGrad优化技术中，对每个参数的步长进行调整，使其具有较大的步长和较小的步长，以适应较快的梯度变化参数和较低的梯度变化参数。并在CIFAR10和CIFAR100数据集上进行了图像分类实验，观察了DifferGrad相对于SGDM、AdaGrad、AdaDelta、RMSProp、AMSGrad等最新优化器的性能，实验中采用了基于残差单元(ResNet)的卷积神经网络(CNN)结构，实验结果表明，DiffGrad的性能优于其他优化器。

原创 高光谱分类论文解读分享之HybridSN：基于 3-D–2-D CNN 的高光谱分类（经典回顾）

高光谱图像（HSI）分类广泛用于遥感图像的分析。由于计算复杂性增加，很少有方法使用 3-D-CNN。一般来说，HybridSN 是一个光谱空间 3-D-CNN，然后是空间 2-D-CNN。3-D-CNN 有助于从一堆光谱带中进行联合空间光谱特征表示。3-D-CNN 之上的 2-D-CNN 进一步学习更多抽象级别的空间表示。此外，与单独使用 3-D-CNN 相比，使用混合 CNN 降低了模型的复杂性。逐级使用3-D卷积和2-D卷积实现对空间-光谱特征的提取，已经成为基于CNN高光谱分类方法的主流被对比框架。

原创 高光谱分类论文解读分享之基于形态卷积神经网络的高光谱影像分类

形态运算是一种强大的非线性变换，用于特征提取，保留了图像的基本特征，如边界、形状和结构信息。这些形态块在各自的层中包含两个基本的二维形态算子(侵蚀和分割)，然后是特征图的加权组合。实验结果表明，该方法是有效的在五个广泛使用的HSI上获得的结果表明，我们新提出的MorphConvHyperNet在HSI分类中提供了与传统的2-D和3-D CNN相当(甚至更好)的性能。非线性形态运算取代了传统的线性卷积运算，能够以较不复杂的结构从原始遥感数据中提取更好的光谱和空间上下文信息。

原创 高光谱分类论文解读分享之基于多模态融合Transformer的遥感图像分类方法

IEEE TGRS 2023：基于多模态融合Transformer的遥感图像分类方法

原创 高光谱分类论文解读分享之基于生成对抗性少数过采样的高光谱图像分类

IEEE TGRS 2022: Generative Adversarial Minority Oversampling for Spectral–Spatial Hyperspectral Image Classification

原创 入坑tensorflow2.0之keras中to_categorical方法

简言之，to_categorical方法就是将类别向量转换为独热编码，所谓独热编码简单来说就是用一个二进制编码唯一表示一个类别。这类似于在数字电路的十进制BCD编码，下面以此为例：from tensorflow import kerasa = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]a = keras.utils.to_categorical(a, 10)print(...

原创 入坑tensorflow2.0之keras中verbose参数的作用

在使用keras训练(fit)和评估(evaluate)方法中都有verbose参数。例如：test_score = model.evaluate(x_test, y_test, verbose=0) 其作用为记录训练日志。其中：verbose = 0 为不在标准输出流输出日志信息verbose = 1 为输出进度条记录verbose = 2 为每个epoch输出一行记录...

原创 python学习恍然大悟之实例方法、类方法、静态方法的区别与作用

简言之：实例方法定义：第一个参数必须是实例对象，该参数名一般约定为“self”，通过它来传递实例的属性和方法（也可以传类的属性和方法）；调用：只能由实例对象调用。类方法定义：使用装饰器@classmethod。第一个参数必须是当前类对象，该参数名一般约定为“cls”，通过它来传递类的属性和方法（不能传实例的属性和方法）；调用：实例对象和类对象都可以调用。静态方法定义：使用装饰器@s...

原创 python学习恍然大悟之@classmethod与@staticmethod

1.前言：在学习别人代码的过程常能见到代码中有@classmethod与@staticmethod，这里简单的学习一下大概作用。2.@classmethod与@staticmethod：一般来说，要使用某个类的方法，需要先实例化一个对象再调用方法。而使用@staticmethod或@classmethod，就可以不需要实例化，直接类名.方法名()来调用。例子：...

原创 Python学习恍然大悟之*args与**kwargs

前言：在学习深度学习的过程中经常遇到*args和 **kwargs这两个参数，通过查阅相关资料做一下记录方便复习。1.*args:简单来说，*args可以理解为用来代指未知的一个元组类型的数据的参数，用于参数未定的方法定义中。例：def students_name(*args): for i in args: print(i)students_name('a',...

原创 入坑tensorflow2.0之为工程添加指数衰减学习率、正则化、优化器配置

1.指数衰减学习率from tensorflow_core.python.keras.callbacks import LearningRateSchedulerimport tensorflow_core as tfcnum_epochs =20#定义学习率衰减函数def scheduler(epoch): if epoch < num_epochs * 0.4: ...

原创 入坑tensorflow2.0之解决导入LearningRateScheduler失败的问题

1.问题描述：在使用tf2实现手写数字识别时，当我想在一般代码的基础上加入指数衰减学习率时出现对应的API不能导入的问题，问题如下图：2.解决：这里导入失败的原因在于我的环境中tf自带的Keras并不在tensorflow的目录下而是在tensorflow_core.python目录下，所以代码应该改为：from tensorflow_core.python.keras.callback...

原创 关于pycharm中无法识别导入自己写的模块的解决办法

问题：解决：将需要运行的文件类型改为sources

原创 python numpy.where()函数的用法

numpy.where(condition[,x,y])参考这里：好文

原创 虚拟机创建后黑屏无法打开解决

1.以管理员方式进入CMD2.输入netsh winsock reset3.重启电脑即可

原创 HSI分类论文解读分享之二

密西西比大学杜谦老师署名的高光谱图像分类文章

原创 HSI去噪论文解读分享之五

这是由武汉大学张良培团队中的一位准博士发表在TGRS上的一篇高光谱去噪论文，使用了深度卷积神经网络进行处理。

原创 HSI去噪论文分享之四

题目：Hyperspectral Image Denoising via Subspace-Based Nonlocal Low-Rank and Sparse Factorization作者：Chunhong Cao,Jie yu,Chengyao Zhou,Kai Hu,Fen Xiao,Xieping Gao关键字：Denoising,hyperspectral image(HSI...

原创 Spectral Python学习笔记（一）安装

关于SPy的安装和使用在官方介绍中给出了详细的解释，这里写下自身的安装过程。官方链接：[SPy]注：以下有两种方法，建议先看完再动手一、确定是否满足该包的依赖关系：SPy依赖关系SPy需要Python，并依赖于其他几个免费的Python模块。 在安装SPy之前，您应该确保符合它的依赖关系。 虽然您可以使用SPy仅使用Python和NumPy来处理高光谱数据，但是如果要使用任何SPy的图形功...

原创 HSI分类论文解读分享之一

题目：Hyper-Spectrum Clasification Based on Sparse Representation Model and Auto-Regresive Model作者：Lin Song;Yongmei Cheng;Yongqiang Zhao关键字:remote sensing;hyper_spectrum;sparse representation;auto-r...

原创 HSI去噪论文解读分享之三

题目：Hyperspectral Image Denosing via Spectal Weight Low-rank Matrix Approximation作者：Lu Liu,Hongyan Zhang,Liangpei Zhang关键词：remote sensing;hyperspectal image denosing;spectral weighted matrix;low-r...

原创 最大后验估计MAP

概念：在贝叶斯统计学中，最大后验（Maximum A Posteriori，MAP）估计可以利用经验数据获得对未观测量的点态估计。它与Fisher的最大似然估计（Maximum Likelihood，ML）方法相近，不同的是它扩充了优化的目标函数，其中融合了预估计量的先验分布信息，所以最大后验估计可以看作是正则化（regularized）的最大似然估计。理解：假设我们需要根据观察数据x估计没...

原创 闭式解

原创 交替方向乘子法

1、解决的问题：这是一种解决凸优化问题的简单方法，通过将待求解问题进行分解，逐一求解单个优化问题，简化求解难度。解决问题类型：2、推导：将上述约束优化问题通过对偶变量的耦合构成拉格朗日函数：为了是函数更凸，加入惩罚项形成增广拉格朗日函数（ALM）：接下来就是通过逐一固定变量更新其他变量最终完成优化问题的求解：step1:step2:step3:不断重复，直至不变（谷...

原创 NP-hard问题

NP-hard problem:non-deterministri polynomial problem最近在读论文的时候第一次遇到，我觉得好理解的解释如下：对于一个确定的问题（方程），可以容易的确定它是对的，但是去寻求其最优解却是一个时间复杂度极高的问题。...

原创 近期在使用Ubuntu中linux环境下学习tensorflow框架遇到的几个问题

1.关于pip升级失败：在使用pip导入pillow时报错，提示pip版本需要更新，应该采用命令不是pip install --upgrade pip而是：python -m pip install --upgrade pip**2.在安装库时遇到Could not install packages due to an EnvironmentError: [Errno 13] 权限不够:...

原创 HSI去噪论文解读之二

本文是对武汉大学张良培教授团队关于高光谱图像去噪论文的解读，本文重点介绍了在对高光谱图像进行降维处理后得到的二维矩阵的降噪处理，主要引入了RSVD方法进行矩阵处理。此外引入迭代正则化（Iterative Regularization,IR）并且对于在不同波段上的噪声分布情况的不一致，在IR中引入了噪声自适应（Noise-Adjusted）的思想，最后还提出了自适应确定算法中的参数和秩。

原创 HSI去噪论文解读分享之一

本文介绍了采用矩阵低秩特性用于高光谱图像的去噪，该方法相比其他方法的优越性在于可以同时去除多种噪声。