项目名称: 基于深度流形学习的高光谱数据非线性特征提取方法研究

项目编号: No.61301206

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 陈雨时

作者单位: 哈尔滨工业大学

项目金额: 23万元

中文摘要: 高光谱遥感能够获取目标丰富的光谱信息,但这是以高数据维数作为代价的。针对高光谱数据的高数据维,解决这一问题的主流方法是特征提取。理论分析及具体实验均证明高光谱数据蕴含着相当程度非线性特性,而传统的线性特征提取方法忽略了非线性特性。因此,本研究针对高光谱高维数据中固有的非线性,以高光谱数据应用为导向。在深度学习的框架下,以流形学习为手段,对高光谱数据的非线性特征提取问题进行探索性和可应用性的研究。研究内容集中在以下三个方面:一、高光谱数据的非线性分析及其度量;二、流形学习理论及其非线性特征提取能力分析;三、基于深度流行学习的高光谱数据非线性特征提取。研究算法将形成高光谱非线性特征提取软件包,促进高光谱遥感在分类、检测、识别等多个领域内的实际应用,使高光谱数据得到充分、有效的利用。

中文关键词: 高光谱遥感;特征提取;深度学习;分类;

英文摘要: Hyperspectral remote sensing can get abundant spectral information of the target, but it has to pay the price of high dimensionality. To deal with the high dimensionality of hyperspectral data, the mainstream solution is feature extraction. Theoretical analysis and experiment results show than there are nonlinear characteristics in hyperspectral data, while the traditional feature extraction method ignore the nonlinear characteristics. The research will focus on the nonlinear characteristics of hyperspectral data, and we use the application of hyperspectral data as a guide. Under the framework of manifold learning, we use deep learning as mathematical tool to deal with problem of hyperspectral data nonlinear feature extraction. The research will focus on three parts: Analysis and measument of hyperspectral data nonlinear characteristics; manifold learning and it's capability of extract hyperspectral data nonlinear characteristics; deep manifold learning based hyperspectral data nonlinear feature extraction method. The research algorithms will form a hyperspectral data nonlinear feature extraction software package, and it will promote the real application of hyperspectral remote sensing in many research areas such as classification detection and recognition.

英文关键词: Hyperspectral remote sensing;feature extraction;deep learning;classification;

成为VIP会员查看完整内容
0

相关内容

基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
深度学习激活函数全面综述论文
专知会员服务
70+阅读 · 2021年10月1日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
33+阅读 · 2021年2月7日
基于深度学习的数据融合方法研究综述
专知会员服务
136+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
73+阅读 · 2018年12月22日
Arxiv
19+阅读 · 2018年6月27日
小贴士
相关VIP内容
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
深度学习激活函数全面综述论文
专知会员服务
70+阅读 · 2021年10月1日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
33+阅读 · 2021年2月7日
基于深度学习的数据融合方法研究综述
专知会员服务
136+阅读 · 2020年12月10日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25日
最全综述 | 图像分割算法
计算机视觉life
14+阅读 · 2019年6月20日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
生成对抗网络的研究进展与趋势
中国计算机学会
35+阅读 · 2018年11月14日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员