期刊导航
期刊开放获取
唐山市科学技术情报研究..
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积神经网络的军事图像分类
被引量：
19
1
作者
高惠琳
《计算机应用研究》
CSCD
北大核心
2017年第11期3518-3520,共3页
由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题,构造了一种新的基于主成分分析(principal components analysis,PCA)白...
由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题,构造了一种新的基于主成分分析(principal components analysis,PCA)白化的卷积神经网络结构,有效地降低了数据间的相关性,加强了学习能力,提高了目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。
展开更多
关键词
军事图像分类
深度学习
卷积神经网络
主成分分析白化
随机池化
在线阅读
下载PDF
职称材料
基于RBF-SVM的草地高光谱图像分类
被引量：
4
2
作者
赵烜赫
潘新
+1 位作者
马玉宝
闫伟红
《扬州大学学报（农业与生命科学版）》
CAS
北大核心
2022年第1期128-134,共7页
高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性。利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400~1000nm)草地图像,采用多元散射校正(multiplicative scatteRcorr...
高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性。利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400~1000nm)草地图像,采用多元散射校正(multiplicative scatteRcorrection,MSC)进行预处理;特征提取使用主成分分析(principal component analysis,PCA)白化法,选择最佳主成分作为支持向量机(support vectoRmachine,SVM)的输入,结合K折交叉验证法自动进行参数调优。比较不同SVM核函数对应的草地高光谱图像自动分类的识别结果,其中以基于高斯径向基核函数的支持向量机(RBF-SVM)分类结果较优,全局分类准确率(overall accuracy,OA)为98.89%,Kappa系数为0.99,分类时间为0.053098s,且优于梯度迭代决策树(gradient boosting decision tree,GBDT)及K近邻算法(K nearest neighboRalgorithm,KNN)。结果表明高光谱成像结合MSC-PCA白化-SVM(RBF)算法建立的识别模型可高效快速、准确无损地实现草地分类。
展开更多
关键词
高光谱图像
草地分类
多元散射校正
主成分分析白化
支持向量机
在线阅读
下载PDF
职称材料
题名
基于卷积神经网络的军事图像分类
被引量：
19
1
作者
高惠琳
机构
北京理工大学自动化学院
北京理工大学复杂系统智能控制与决策国家重点实验室
出处
《计算机应用研究》
CSCD
北大核心
2017年第11期3518-3520,共3页
基金
国家自然科学基金创新研究群体资助项目(61321002)
国家自然科学基金重大国际合作项目(61120106010)
国家教育部长江学者创新团队资助项目(IRT1208)
文摘
由于军事背景下战场上不同目标的相似度极高以及复杂情况下的分类识别率不高,传统视觉特征的分类精度已不能满足要求。针对含有特定军事目标的大规模图像分类问题,构造了一种新的基于主成分分析(principal components analysis,PCA)白化的卷积神经网络结构,有效地降低了数据间的相关性,加强了学习能力,提高了目标分类的准确率。利用大规模的军事图像数据集对该模型进行了识别精度评估,实验表明,与基于视觉特征的词袋模型以及经典的卷积神经网络分类算法相比,该算法对于军事目标的分类精度有明显提高。
关键词
军事图像分类
深度学习
卷积神经网络
主成分分析白化
随机池化
Keywords
military image classification
deep learning
convolutional neural network
PCA whitening
stochastic-pooling
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于RBF-SVM的草地高光谱图像分类
被引量：
4
2
作者
赵烜赫
潘新
马玉宝
闫伟红
机构
内蒙古农业大学计算机与信息工程学院
中国农业科学院草原研究所
出处
《扬州大学学报（农业与生命科学版）》
CAS
北大核心
2022年第1期128-134,共7页
基金
国家自然科学基金资助项目(61962048、61562067)
中央级公益性科研院所基本科研业务费专项(1610332020020)。
文摘
高光谱图像具有光谱分辨率高、波段多、图谱合一等特点,可有效实现对草地快速无损分类,提高草地分类准确性。利用高光谱仪器(HyperSpec?PTU-D48E)采集可见-近红外光谱(400~1000nm)草地图像,采用多元散射校正(multiplicative scatteRcorrection,MSC)进行预处理;特征提取使用主成分分析(principal component analysis,PCA)白化法,选择最佳主成分作为支持向量机(support vectoRmachine,SVM)的输入,结合K折交叉验证法自动进行参数调优。比较不同SVM核函数对应的草地高光谱图像自动分类的识别结果,其中以基于高斯径向基核函数的支持向量机(RBF-SVM)分类结果较优,全局分类准确率(overall accuracy,OA)为98.89%,Kappa系数为0.99,分类时间为0.053098s,且优于梯度迭代决策树(gradient boosting decision tree,GBDT)及K近邻算法(K nearest neighboRalgorithm,KNN)。结果表明高光谱成像结合MSC-PCA白化-SVM(RBF)算法建立的识别模型可高效快速、准确无损地实现草地分类。
关键词
高光谱图像
草地分类
多元散射校正
主成分分析白化
支持向量机
Keywords
hyperspectral image
grassland classification
MSC
PCA whiten
SVM
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积神经网络的军事图像分类
高惠琳
《计算机应用研究》
CSCD
北大核心
2017
19
在线阅读
下载PDF
职称材料
2
基于RBF-SVM的草地高光谱图像分类
赵烜赫
潘新
马玉宝
闫伟红
《扬州大学学报（农业与生命科学版）》
CAS
北大核心
2022
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
