CN117557900B 一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系統 （南京郵電大學）_第1頁
CN117557900B 一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系統 （南京郵電大學）_第2頁
CN117557900B 一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系統 （南京郵電大學）_第3頁
CN117557900B 一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系統 （南京郵電大學）_第4頁
CN117557900B 一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系統 （南京郵電大學）_第5頁
已閱讀5頁，還剩12頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

號一種基于高階奇異值分解與分布式處理的本發明公開了一種基于高階奇異值分解與分解計算后重新組合成近似張量來降低降噪時應殘差法進行去噪。步驟4：特征融合與目標識夠準確識別固廢垃圾，得到的特征信息更加準2通過分布式將步驟1得到的張量前向切片成矩陣后分組，并將矩陣分解計算后重新組對步驟2得到的近似張量使用自適應殘差法進行去噪，建立自適應殘差函數結合多次將經步驟3降噪處理后的圖像按照patch塊大小進行分通過定義自適應殘差去噪函數，并通過多次迭代計算來提高去噪效始含噪圖像與去噪后圖像的差值，假設原始含噪圖像為Y，去噪后圖像為X，殘差圖像為ΔX,AX=Y-X，將通過降噪處理的圖像增加上殘差圖像與降噪處理的比值的乘積，定義次的迭代處理得到最終的去噪結果。2.根據權利要求1所述的基于高階奇異值分解與分布式處理的垃圾遙感識別方法，其3.根據權利要求1所述的基于高階奇異值分解與分布式處理的垃圾遙感識別方法，其到三個分解矩陣u,s,V，其中u,v算得到新的近似矩陣CA,=U*SP*VT，再將得到的所述新的近似矩陣CAP組合成當前節4.根據權利要求1所述的基于高階奇異值分解與分布式處理的垃圾遙感識別方法，其3個像素表示該像素對于特定類別的貢獻度，二維熱力圖CAM的生成過程通過反向傳播方法異值分解與分布式處理的垃圾遙感識別方法進4[0003]固廢垃圾遙感圖像通常具有較低的分辨率，特別是在分析大范圍的地理區域[0008]機器學習方法和深度學習方法在固廢垃圾遙感圖像處理領域得到了廣泛的應用,[0011]第三．過高的數據維度與清晰度在大批量數據處理的時5的問題，本發明提出了一種基于高階奇異值分解與分布式處理的垃圾遙感識別方法及系[0018]通過分布式將步驟1得到的張量前向切片成矩陣后分組，并將矩陣分解計算后重[0020]對步驟2得到的近似張量使用自適應殘差法進行去噪，建立自適應殘差函數結合為AX,AX=Y-X，為了提高去噪效果，將通過降噪處理的圖像增加上殘差圖像與降噪處理6張量的前向切片并且將其最優化分配給各個計算節點來優化張量壓縮時的計算爆炸問題[0039]魯棒性：由于固廢垃圾遙感圖像數據可能受到的影響因[0041]圖1是本發明基于高階奇異值分解與分布式處理的垃圾遙感識別方法的整體架[0042]圖2是本發明基于高階奇異值分解與分布式處理的垃圾遙感識別方法中特征提取7[0044]圖4~圖6是本發明通過特征融合面對圖像中出現多目標和干擾物較多的狀況下的來研究固廢垃圾遙感圖像中不同區域的特征對分類結果的占總奇異值個數的10%~20%，最后將分解后的矩陣重新組合成新的近似張量來得到壓縮后8

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論