圖學習方法及其在高光譜影像處理中的應(yīng)用
定 價：110 元
叢書名：信息感知測量前沿技術(shù)叢書
- 作者：張志利，丁遙，胡豪杰，何芳著
- 出版時間：2024/10/1
- ISBN：9787030798008
- 出 版 社：科學出版社
- 中圖法分類：TP751
- 頁碼：111頁
- 紙張：
- 版次：1
- 開本：26cm
本書主要研究內(nèi)容是利用圖學習方法進行高光譜影像分類，重點圍繞模型構(gòu)建、改進圖信息傳播方式、提升構(gòu)圖質(zhì)量等方面展開研究，提出了多種基于圖學習的高光譜影像分類方法。本書的主要研究內(nèi)容總結(jié)如下：第1章主要介紹了本書的研究背景，說明了高光譜遙感影像分類的現(xiàn)實意義，概述了高光譜遙感影像分類現(xiàn)狀和存在的問題。第2章闡述了圖半監(jiān)督學習的基本理論知識，圖的構(gòu)造方法，圖半監(jiān)督學習的經(jīng)典模型，能夠有效處理大規(guī)模數(shù)據(jù)的快速圖半監(jiān)督學習模型。第3章提出了圖半監(jiān)督學習經(jīng)典算法高光譜影像分類方法。第4章提出了一種基于像素-超像素級特征聯(lián)合的圖神經(jīng)網(wǎng)絡(luò)學習模型。第5章提出了基于全局動態(tài)圖優(yōu)化的高光譜影像分類。第6章提出了空間光譜特征增強的Graphformer框架(S2GFormer)。
更多科學出版社服務(wù)，請掃碼獲取。
“強度關(guān)聯(lián)XXXX成像-測距一體化技術(shù)研究”的課題，總負責人（本書依托項目）
目錄
前言
第1章 緒論 1
1.1 課題研究的背景與意義 1
1.2 國內(nèi)外研究現(xiàn)狀及存在的問題 3
1.2.1 傳統(tǒng)高光譜影像分類方法及存在問題 3
1.2.2 基于深度學習模型的高光譜影像分類方法及存在的問題 4
1.2.3 圖方法在高光譜影像分類中的應(yīng)用 7
1.3 圖神經(jīng)網(wǎng)絡(luò)介紹 8
1.3.1 譜域圖卷積 8
1.3.2 空域圖卷積 12
1.4 評價指標 13
1.5 研究內(nèi)容與章節(jié)安排 14
1.5.1 研究內(nèi)容 14
1.5.2 章節(jié)安排 16
第2章 圖半監(jiān)督學習基本模型 18
2.1 引言 18
2.2 符號說明 18
2.3 圖的構(gòu)造 19
2.4 圖半監(jiān)督學習經(jīng)典算法 21
2.4.1 高斯場和調(diào)和函數(shù)法 21
2.4.2 局部全局一致性法 23
2.4.3 基于廣義圖規(guī)范化權(quán)重半監(jiān)督學習方法 23
2.5 快速圖半監(jiān)督學習模型 24
2.6 本章小結(jié) 26
第3章 基于錨點圖的快速半監(jiān)督學習高光譜影像分類 28
3.1 引言 28
3.2 基于錨點圖的快速半監(jiān)督學習模型 29
3.2.1 自適應(yīng)近鄰錨點圖的建立 29
3.2.2 基于錨點圖的快速半監(jiān)督學習 31
3.3 實驗驗證 33
3.3.1 高光譜影像數(shù)據(jù)庫實驗結(jié)果 33
3.3.2 基準圖像數(shù)據(jù)庫實驗結(jié)果 40
3.4 本章小結(jié) 44
第4章 基于像素-超像素級特征聯(lián)合的高光譜影像分類 45
4.1 引言 45
4.2 高光譜影像數(shù)據(jù)的超像素分割 46
4.2.1 基于圖方法的超像素分割 47
4.2.2 基于聚類方法的超像素分割 48
4.3 網(wǎng)絡(luò)特征提取 49
4.3.1 EdgeConv圖卷積 49
4.3.2 卷積神經(jīng)網(wǎng)絡(luò)卷積運算 50
4.4 基于超像素分割和邊卷積的圖神經(jīng)網(wǎng)絡(luò)模型 51
4.4.1 圖數(shù)據(jù)生成 52
4.4.2 超像素級的EdgeConv網(wǎng)絡(luò) 53
4.4.3 像素級的CNN 54
4.5 實驗結(jié)果與分析 55
4.5.1 實驗設(shè)置 55
4.5.2 分類結(jié)果對比分析 56
4.5.3 消融實驗與參數(shù)敏感性分析 60
4.6 本章小結(jié) 62
第5章 基于全局動態(tài)圖優(yōu)化的高光譜影像分類 64
5.1 引言 64
5.2 動態(tài)圖結(jié)構(gòu)稀疏 65
5.3 邊權(quán)重學習 67
5.3.1 標簽傳播算法 68
5.3.2 邊權(quán)重學習與LPA的關(guān)系 68
5.4 標簽傳播與圖稀疏相結(jié)合的高光譜影像分類模型 69
5.4.1 自適應(yīng)圖結(jié)構(gòu)學習 70
5.4.2 Gumble-Softmax圖采樣 71
5.4.3 信息融合 72
5.5 實驗結(jié)果與分析 73
5.5.1 實驗設(shè)置 73
5.5.2 分類結(jié)果對比分析 73
5.5.3 消融實驗與參數(shù)敏感性分析 77
5.6 本章小結(jié) 79
第6章 基于圖變換器的高光譜影像分類 80
6.1 引言 80
6.2 視覺變換器 80
6.3 S2GFormer方法基本框架 81
6.4 S2GFormer高光譜影像分類 83
6.4.1 高光譜影像預(yù)處理和跟隨像素塊機制 83
6.4.2 像素塊譜嵌入模塊 85
6.4.3 多層GraphFormer編碼器 86
6.4.4 算法訓練和優(yōu)化 88
6.5 實驗結(jié)果與分析 88
6.5.1 實驗設(shè)置 88
6.5.2 實驗結(jié)果對比分析 89
6.5.3 t-SNE數(shù)據(jù)分布可視化 95
6.5.4 不同數(shù)量的訓練樣本對S2GFormer方法性能影響分析 96
6.5.5 S2GFormer超參數(shù)影響分析 98
6.5.6 消融實驗 100
6.6 本章小結(jié) 102
參考文獻 103
附錄 本書所用數(shù)據(jù)集 116
1. Indian Pines數(shù)據(jù)集 116
2. Kennedy Space Center數(shù)據(jù)集 116
3. Pavia University數(shù)據(jù)集 117
4. Salinas數(shù)據(jù)集 117
5. University of Houston 2013數(shù)據(jù)集 118
書單推薦
