Advertisement

MATLAB精度验证代码-TGRS_2020_MSC-EDKELM：适用于高效高光谱影像分类的多尺度情境感知集深KELM

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本项目提供用于验证TGRS 2020论文中提出的MSC-EDKELM模型精度的MATLAB代码，旨在实现高效的高光谱图像分类。此方法融合了多尺度特征和深度学习技术以提高情境感知能力。 Matlab精度检验代码用于高效高光谱图像分类的多尺度上下文感知集合深度KELM（TGRS, 2020）。 图1展示了提出的多尺度上下文感知集成深度KELM框架。 加权输出层融合策略（WOLFS）。 培训和测试过程 请简单地运行“run_demo.m”以在数据集上重现我们的MSC-EDKELM结果。 您可以获取分类精度（每个班级15个训练样本）和相应的分类图，如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 图2：Indian Pines数据集的合成假彩色图像、地面真实情况、训练样本以及分类图。 参考文献 如果您认为此代码有帮助，请引用： [1] B.Xi, J.Li, Y.Li, R.Song, W.Sun和Q.Du，“多尺度上下文感知集成深度KELM，用于高效的高光谱图像分类”，IEEE地理科学与遥感学报，2020年。 [2] 李健. Xi B.; Du W; Song R; Li Y; Ren G. 用于高光谱图像的光谱-空间分类的深核极限学习机。遥感, 2018, 10: 2036. 引文详细信息 BibTeX

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • MATLAB精度验证代码-TGRS_2020_MSC-EDKELM：适用于高效高光谱影像分类的多尺度情境感知集深KELM
    优质
    本项目提供用于验证TGRS 2020论文中提出的MSC-EDKELM模型精度的MATLAB代码，旨在实现高效的高光谱图像分类。此方法融合了多尺度特征和深度学习技术以提高情境感知能力。 Matlab精度检验代码用于高效高光谱图像分类的多尺度上下文感知集合深度KELM（TGRS, 2020）。 图1展示了提出的多尺度上下文感知集成深度KELM框架。 加权输出层融合策略（WOLFS）。 培训和测试过程 请简单地运行“run_demo.m”以在数据集上重现我们的MSC-EDKELM结果。 您可以获取分类精度（每个班级15个训练样本）和相应的分类图，如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 图2：Indian Pines数据集的合成假彩色图像、地面真实情况、训练样本以及分类图。 参考文献 如果您认为此代码有帮助，请引用： [1] B.Xi, J.Li, Y.Li, R.Song, W.Sun和Q.Du，“多尺度上下文感知集成深度KELM，用于高效的高光谱图像分类”，IEEE地理科学与遥感学报，2020年。 [2] 李健. Xi B.; Du W; Song R; Li Y; Ren G. 用于高光谱图像的光谱-空间分类的深核极限学习机。遥感, 2018, 10: 2036. 引文详细信息 BibTeX
  • 高光谱遥感影像分类MATLAB代码合集RAR包
    优质
    本RAR包包含一系列用于处理和分析高光谱遥感图像的MATLAB代码，涵盖预处理、特征提取及多种分类算法实现，适用于科研与教学。 首先使用PCA进行降维，并利用SVM对高光谱数据进行分类。所用的数据是印第安纳农场数据集，训练样本比例可调。此外，设计了一个GUI界面。
  • 高光谱遥感影像分类代码与数据集
    优质
    本项目聚焦于开发和应用先进的高光谱遥感影像分类算法及模型，并提供高质量的数据集以促进相关研究。 模型包括CNN, SAE, KNN 和 SVM。数据集使用了Indian_pines和Pavia。
  • 基于深度卷积神经网络的高光谱遥感影像分类.pdf
    优质
    本文探讨了利用深度卷积神经网络技术对高光谱遥感图像进行高效准确分类的方法，旨在提高遥感数据分析能力。 结合高光谱数据与深度学习的特点，本段落提出了一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。该框架的主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行特征提取，消除特征之间的相关性，并降低特征维度，从而获得清晰的空间结构；然后使用深度卷积神经网络来提取输入样本的空间特征；最后通过高级别学习到的特征来进行回归训练。
  • 基于BERT的高精度情感多分类任务
    优质
    本研究利用预训练模型BERT进行文本分析，针对特定数据集优化后，实现了高效的情感多分类任务，显著提升了分类准确性。 运行记录如下：训练集每类9k数据集，一般情况下训练集为每类1k； 1. 使用英文数据集进行二分类任务时，由于数据可能过于中性化，正确率在85%左右。测试集中没有标签输出自我评估的结果与验证集相似，约85%，经过22个epoch的训练。 2. 利用上述影评进行二分类任务，将label 0和1分别对应于1星和5星评论，准确率达到99%以上。 3. 将同样的影评为三分类问题时，标签0、1和2分别代表1星、3星及5星评价的准确性约为99%左右。 4. 当尝试使用上述影评进行四分类任务，并将label 0、1、2 和3对应于1星、3星、4星以及5星级评论的情况下，在训练集每类为9k数据和少量（共10个）4星级样本的小规模训练下，准确率仅为78%左右。这表明在这种情况下难以进行有效的小规模训练。 5. 最后利用上述影评尝试五分类任务，标签分别对应于1星、2星、3星、4星及5星评论时，在同样的大规模数据集上（每类9k样本），准确率达到了约97%。
  • 关于深度学习在高光谱影像分类中的应用研究
    优质
    本研究聚焦于利用深度学习技术提升高光谱影像分类精度与效率，探索适合该领域的模型架构和算法优化策略。 基于深度学习的高光谱影像分类方法研究
  • 高光谱分类深度学习DeepHyperX.zip
    优质
    DeepHyperX是一款基于深度学习技术的高光谱图像分类工具包。通过高效算法实现精准的地物识别与分类，适用于遥感、环境监测等多领域应用研究。 此内容包含高光谱遥感领域内深度学习的多种代码，包括1DCNN、2DCNN、3DCNN等各种神经网络模型代码，并且可以运行。欢迎大家相互学习！
  • MATLAB中高光谱遥感影像的读写代码
    优质
    本段落介绍了如何使用MATLAB编写代码来读取和处理高光谱遥感图像数据，包括加载、显示及保存高光谱影像的技术方法。 用于读写高光谱遥感影像的MATLAB代码支持BSQ、BIL、BIP三种格式。这三种文件格式在头文件*.lxw中的第5个数字中进行区分，而该头文件可以通过写字板编辑。
  • 高光谱遥感影像数据集
    优质
    高光谱遥感影像数据集是一套包含连续可见光到短波红外区域光谱信息的数据集合，用于精确的地物识别与分类。 常用的高光谱遥感图像数据集包括Indians Pines、Botswana、KSC、PaviaU和Salinas，以及它们的ground truth矩阵。这些文件的后缀为.mat。
  • 高效的MATLAB峭度谱代码
    优质
    本段代码提供了一种高效计算信号峭度谱的方法，适用于信号处理和特征提取等领域，利用MATLAB实现，便于科研与工程应用。 谱峭度的MATLAB代码可以很好地与EMD或LMD结合使用，从而实现更准确的模态分析。