高光谱图像分类 卷积神经网络对高光谱图像印度松的分类 高光谱图像是在数百个电磁波谱带中捕获的图像。 该项目专注于开发用于高光谱图像中的土地覆盖分类的深度神经网络。 土地覆被分类是为每个像素分配代表土地覆被类型的类别标签的任务。 现有的大多数研究工作都遵循传统的模式识别范例，该范例基于复杂的手工特征的构造。 但是，鲜为人知的是哪些功能对当前问题很重要。 与这些方法相反，提出了一种基于深度学习的分类方法，该方法以自动化方式分层构造高级特征。 在该项目中，将参与卷积神经网络的开发，以对像素的光谱和空间信息进行编码，并使用多层感知器来执行分类任务。 该项目基于论文“针对超光谱数据分类的深度监督学习” 通过卷积神经网络”，由Makantasis等人撰写。 Just to clarify, my code has nothing to do with the previously mentioned paper. I refer to it, because I followed the same resoning to build my code. 仓库描述 打开globa
最近更新: 接近5年前这是 GMNN（Graph Markov Neural Networks） 模型的实现。 GMNN集成了 统计关系学习方法 （例如关系Markov网络和Markov逻辑网络）和 图神经网络 （例如图卷积网络和图注意力网络），用于半监督对象分类。 GMNN使用条件随机场来定义以对象特征为条件的所有对象标签的联合分布，并且可以使用 似然 优化该框架 伪 变异EM算法 算法 ，该 在E步和M步之间交替。 在E步中，我们 推断 未标记对象的标签，在M步中，我们 学习 参数以最大化伪可能性。 为了有益于训练这样的模型，我们在GMNN中引入了两个图神经网络，即GNNp和GNNq。 GNNq用于通过 学习有效的对象表示来改进推理 特征传播 。 GNNp用于通过本地 对本地标签依赖性进行建模 标签传播 。 用于优化GMNN的变分EM算法类似于 协同训练 框架。 在E步骤中，GNNp注释未标记的对象以更新GNNq，而在M步骤中，GNNq注释未标记的对象以优化GNNp。 GMNN还可以应用于许多其他应用程序，例如无监督的节点表示学习和链接分类。 在此仓库中，我们提供了用于 半监督对象分类 和非 监督
最近更新: 接近5年前
