一种弱监督细粒度深度网络的木材分类方法

针对使用木材的微观结构对木材树种进行识别分类,提出一种新的基于细粒度图像识别的深度卷积神经网络自动分类算法,在阐述Navigator Teacher Scrutinizer Network算法的基础上,首先,利用分段线性激活函数对特征的存在程度和缺失程度的选择能力进行改进,在改进后的特征选择模型算法中搜寻最优α参数;其次,在改进后的算法中加入一个全局K-max池化层并应用在木材分类中,获得最佳的分类结果.实验结果表明,相比于原始NTS神经网络,本文所提算法能够更准确地实现数据分类,该模型的实验准确率为88.36%,准确率高,实用性强,可以提高木材树种分类精度,为木材树种快速分类提供参考.

基于黄金正弦混沌斑鬣狗优化算法的高光谱波段选择

波段选择是降低高光谱数据维度,减少数据过多冗余的有效手段,是高光谱影像像素分类的重要前提。其本质上是一个复杂的组合优化问题,用传统的搜索方法不易得到满意的解。针对上述问题,提出了一种结合黄金正弦和混沌斑鬣狗算法(GSSHO)的高光谱波段选择方法。首先,使用混沌策略初始化斑鬣狗种群,提高种群的随机性和多样性;然后,用黄金正弦算法改进原始斑鬣狗算法搜索个体位置更新方式,提高算法的全局搜索能力;最后,设计结合分类精度和波段个数的适应度函数,对算法优化性能进行评价。在高光谱遥感数据集上,将该方法与其他先进优化算法进行比较,实验结果表明,该方法所选波段个数接近原波段的1/10,对于Pavia Centre数据集分类精度高达99.08%,优于其他对比方法,能以更合理的收敛方向找到最优解,所选波段数更少,分类精度更高,是一种高效的波段选择方法。