检索结果-内蒙古大学图书馆

理论数学 2023年第10期13卷 2877-2887页

作者：李欢唐科威辽宁师范大学数学学院辽宁大连

近年来,多视图子空间聚类是一个热点话题,基于低秩张量的方法受到广泛关注。为了更好地挖掘不同视图间的高阶关联性,本文采用最新基于t-SVD的张量核范数,使用系数矩阵的核范数和Frobenius范数作为正则项。在PIE、ORL、MSRA和MNIST四个... 详细信息

近年来,多视图子空间聚类是一个热点话题,基于低秩张量的方法受到广泛关注。为了更好地挖掘不同视图间的高阶关联性,本文采用最新基于t-SVD的张量核范数,使用系数矩阵的核范数和Frobenius范数作为正则项。在PIE、ORL、MSRA和MNIST四个数据集上与流行的子空间聚类算法的对比试验表明,本文提出的算法是一个有效的方法。

关键词：子空间聚类低秩张量表示 Frobenius范数张量核范数

来源：评论

学校读者我要写书评

暂无评论

基于一致性和差异性的低秩张量多视图聚类算法

引用

吉林大学学报(理学版) 2025年第2期63卷 537-550页

作者：周余琳王长鹏长安大学理学院西安710064

针对如何利用多视图数据中的隐含信息以及避免后续处理过程中带来的聚类性能次优问题,提出一种基于一致性和差异性的低秩张量多视图聚类算法.首先,该算法同时考虑视图的一致性和差异性信息,将多个一致性相似矩阵叠加在一个受低秩约束的... 详细信息

针对如何利用多视图数据中的隐含信息以及避免后续处理过程中带来的聚类性能次优问题,提出一种基于一致性和差异性的低秩张量多视图聚类算法.首先,该算法同时考虑视图的一致性和差异性信息,将多个一致性相似矩阵叠加在一个受低秩约束的张量中,以探索视图间信息的高阶相关性,从而得到更高质量的相似矩阵;其次,通过学习一个一致非负嵌入矩阵直接获得聚类结果;再次,采用自适应加权策略考虑不同视图数据的重要性;最后,通过在6个真实数据集上与其他算法进行对比实验,验证了该算法在多视图聚类问题上的有效性.

关键词：多视图聚类一致性差异性低秩张量表示自适应加权

来源：评论

学校读者我要写书评

暂无评论

低秩张量嵌入的高光谱图像去噪神经网络

引用

遥感学报 2024年第1期28卷 121-131页

作者：涂坤熊凤超侯雪强南京理工大学计算机科学与工程学院南京210094 中国酒泉卫星发射中心酒泉732750

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的... 详细信息

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888的SSIM。仿真数据和真实数据实验结果表明,所提出的低秩深度神经网络方法去噪效果优于其他方法。

关键词：高光谱图像去噪深度神经网络低秩张量表示知识驱动深度学习 CP分解 U-Net

来源：评论

学校读者我要写书评

暂无评论

高光谱和多光谱图像融合方法研究

高光谱和多光谱图像融合方法研究

引用

作者：佃仁伟湖南大学

学位级别：博士

高光谱图像可以提供丰富的光谱信息,能够实现对成像目标的精细识别和分类,因此高光谱图像被广泛应用于对地观测、军事监测、环境监测、地质勘探、精准农业等多个领域。然而由于成像传感器的限制,图像的光谱分辨率和空间分辨率相互制约,... 详细信息

高光谱图像可以提供丰富的光谱信息,能够实现对成像目标的精细识别和分类,因此高光谱图像被广泛应用于对地观测、军事监测、环境监测、地质勘探、精准农业等多个领域。然而由于成像传感器的限制,图像的光谱分辨率和空间分辨率相互制约,也即很难直接获得高空间分辨率的高光谱图像,这限制了高光谱图像后续的分析与应用;而现有的传感器可以获得高空间分辨率的多光谱图像,因而融合同一场景下的高光谱与多光谱图像成为获得高空间分辨率高光谱图像的有效途径。本论文在深入总结和分析高光谱与多光谱图像融合研究现状的基础上,针对融合中的两大难题准确表示和高效融合,建立了新的融合模型,提出了高性能高光谱与多光谱图像融合方法。并通过实验验证了本文提出方法的有效性和优越性。具体研究内容如下:(1)针对高光谱图像空谱复杂结构准确表示的难题,本文建立了高光谱图像的稀疏张量表示模型与融合方法。矩阵分解的方法往往难以准确表示高光谱图像的三维空谱结构,为了解决该问题,我们把高光谱图像分解成核张量和三个维度的因子矩阵,三个维度的字典分别代表了高光谱图像在三个维度上的信息,核张量表示三个维度之间信息的关联程度,核张量因高光谱图像的空谱相似性而往往具有一定的稀疏性,该模型把高光谱图像三个维度的信息放在一个统一的架构下建模。基于建立的模型,提出了基于耦合稀疏张量表示的融合方法和基于非局部稀疏张量表示的融合方法,分别适用于非盲融合和半盲融合的情况。实验结果表明,本文方法有效保持了高光谱图像的空谱结构,提升了融合效果。(2)针对融合中空间与光谱特征准确提取的难题,建立了高光谱图像的空谱低秩张量表示模型,提出了一种基于空谱低秩张量表示的融合方法。首先为了利用高光谱图像光谱维度的相似性,本文将高光谱图像分解为低维的光谱基和系数。我们采用截断的奇异值分解从高光谱图像中学习光谱基。系数反映了融合高光谱图像的空间信息,为了利用了融合高光谱图像的空间相似性,该方法首先从高分辨的多光谱图像中学习这一空间相似性,把相似的系数块聚类在一起,同一类的系数块可以构成一个三维的张量,该三维张量的三个维度的相关性高,因而可以用低秩张量表示来约束这个三维的张量。系数的估计问题就被转化了求解一个低秩张量正则的优化问题。我们采用交替的乘子法迭代求解该问题。实验结果表明,提出方法的融合高光谱影像的光谱角误差下降9.9%。(3)针对传统模型优化融合方法求解难度大、计算效率低的问题,本文提出了一种高效的基于深度卷积神经网络的融合方法,将多光谱与高光谱图像的成像模型与卷积神经网络学习到的图像特性结合起来。基本步骤如下:首先,利用多光谱与高光谱图像的成像模型来初始化融合高光谱图像,然后通过深度卷积神经网络映射初始化的高光谱图像和实际高分辨率高光谱图像之间的残差。最后把通过神经网络得到的高分辨率高光谱图像引入到成像模型中,获取更高精度的高分辨高光谱图像。实验结果表明,本文方法能够获得质量更高的高分辨高光谱图像,同时计算效率提升5倍以上。(4)针对深度学习融合方法训练样本量大、泛化能力弱的难题,提出了一种深度子空间迁移学习的融合方法,本文方法只需要在灰度图像上进行训练,不需要在多光谱与高光谱图像上进行训练。首先,为了利用了高光谱图像的低秩特性,把高分辨率高光谱图像分解成低维的光谱子空间和子空间系数,融合问题就被转化了对子空间和系数的估计,提高了计算的效率。首先通过截断奇异值分解从高光谱图像中学习光谱子空间。由于深度卷积神经网络的强大的学习能力,我们利用灰度图像去噪网络来正则子空间系数的估计,把子空间系数的估计转化了对灰度图像的去噪。具体而言,我们将卷积神经网络去噪器嵌入交替方向乘子法的迭代过程中。实验结果表明,该方法泛化能力强,显著提升了不同空-谱分辨率图像的融合性能。

关键词：高光谱图像超分辨率高光谱和多光谱图像融合稀疏张量表示低秩张量表示子空间表示深度卷积神经网络深度迁移学习

来源：评论

学校读者我要写书评

暂无评论

高光谱图像去噪的子空间低秩学习方法研究

高光谱图像去噪的子空间低秩学习方法研究

引用

作者：何承迅南京信息工程大学

学位级别：硕士

高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程... 详细信息

高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程中,高光谱图像会不可避免地受多种类型混合噪声污染而退化。这种退化会极大降低后续应用的精度与效率。近年,低秩表示方法在图像恢复问题上获得了高度关注。但是,由于高光谱图像数据维度高、冗余性强,直接对其应用低秩恢复方法往往难以充分利用图像的空间与光谱先验信息,导致去噪精度不足;同时,由于高光谱图像波段数多、数据量大,基于模型优化的低秩表示方法通常运行效率较低。为应对上述挑战,本文在深入分析高光谱图像的性质、详细总结现有高光谱图像去噪方法的基础上,设计了新的恢复模型,提出了高精度、高性能的去噪方法,并通过充分的实验验证了其有效性与优越性。主要研究内容如下:(1)提出了一种基于子空间低秩学习与BM4D去噪器的去噪方法。与先前的低秩算法一般对整个高光谱图像进行低秩约束不同,该方法在低维子空间中刻画图像的光谱与空间低秩性,同时耦合了无参数的BM4D去噪器作为正则项以利用图像的非局部相似性。充分的实验验证了该方法不仅提升了去噪的精度和效率,还提高了实施的易用性。(2)提出了一种基于张量子空间低秩学习与非局部先验的去噪方法。与先前的子空间表示方法一般首先将三维高光谱图像张量展开为二维矩阵不同,该方法通过高阶张量线性表示来学习子空间的基张量和系数张量,实现了完全张量化的子空间低秩学习。充分的实验验证了该方法在继承子空间方法高效率的同时,还进一步增强了对高光谱图像高维结构相关性的保持,避免了张量展开造成的信息损失,实现了去噪精度的提升。(3)提出了一种基于差分连续正则化与串行张量分解的子空间低秩学习去噪方法。与先前的子空间低秩学习方法一般使用正交约束与即插即用去噪算子以分别更新子空间的基和系数不同,该方法通过差分连续正则化学习出了一个更连续、更平滑、更接近于真实端元光谱的基,并通过串行张量分解更有效地利用了系数图像张量在光谱模、非局部模和空间模的低秩性。充分的实验验证了该方法能更深入地利用高光谱图像本身的空谱特性,实现了去噪精度的进一步提升。

关键词：高光谱图像去噪图像恢复子空间低秩学习低秩矩阵恢复低秩张量表示

来源：评论

学校读者我要写书评

暂无评论

基于知识驱动深度学习的高光谱图像去噪算法研究

基于知识驱动深度学习的高光谱图像去噪算法研究

引用

作者：涂坤南京理工大学

学位级别：硕士

高光谱图像在各种领域有着广泛的应用,比如环境监测、资源管理、农业预警等。但是由于设备误差和大气干扰等因素的影响,高光谱图像中通常存在噪声,这对后续分析不利。因此,高光谱图像去噪是一个必不可少的预处理步骤。近年来,基于深度... 详细信息

高光谱图像在各种领域有着广泛的应用,比如环境监测、资源管理、农业预警等。但是由于设备误差和大气干扰等因素的影响,高光谱图像中通常存在噪声,这对后续分析不利。因此,高光谱图像去噪是一个必不可少的预处理步骤。近年来,基于深度学习的高光谱图像去噪方法由于其强大的表达能力和数据驱动的特点得到了快速发展,但是这类方法也有一些问题,比如过分依赖数据集、缺乏先验知识指导、泛化能力弱等。本文借鉴了基于先验知识方法在物理解释性、灵活性方面的优势,研究知识驱动的深度学习去噪算法,利用低秩和稀疏知识指导深度学习网络的构建,实现高光谱图像去噪。本论文主要包括以下两个方面的研究工作: 1.本文提出低秩约束深度神经网络,用于高光谱图像去噪。该网络利用低秩张量分解模块,根据高光谱图像的低秩特性,通过全局池化和卷积等操作,生成秩一张量并重构低秩张量。然后将低秩张量分解模块与Unet结合,对浅层特征进行低秩张量表示,从而捕获高光谱图像的低秩特性。通过消融实验和对比实验验证了该网络的可行性。 2.本文将高光谱图像每个波段的去噪任务建模为卷积稀疏编码问题,并通过在波段间共享卷积稀疏编码系数,实现空间-光谱联合建模。本文利用深度展开技术将对应问题的迭代软阈值收缩优化方法转化为多任务卷积稀疏编码网络,并通过数据驱动的方式学习网络参数。由于卷积稀疏编码先验知识嵌入,所得到的网络具有很好的解释性。在不同数据集上的定量和定性分析证明了本算法具有良好的去噪效果。

关键词：高光谱图像去噪低秩张量表示卷积稀疏表示深度神经网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：