基于卷积神经网络与主动学习的高光谱图像分类

发布时间：2021-03-01 21:00

　　在利用主动学习方法进行高光谱图像分类时,往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题,提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本,通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类;然后,基于高光谱图像的空间相似性和光谱相似性,对无标注样本进行标注,并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明,该方法能在较少标注样本的情况下,有效提高高光谱图像的分类精度。 

【文章来源】：中国科学院大学学报. 2020,37(02)北大核心

【文章页数】：8 页

【部分图文】：

本文采用的卷积神经网络

主动学习算法的主要流程如图2所示。首先利用标注样本集L训练一个分类器C，利用查询函数Q对样本进行筛选，然后利用专家标注S对这些选中的样本进行标注，之后将新标注好的样本加入到标注样本集L中组成新的训练集，并参与下一轮的分类器C的训练。该过程不断循环，直到分类器的分类精度达到目标精度或达到设置的最大迭代次数。2.2 BvSB主动学习

针对上述问题，本文利用高光谱图像的空间相似性和光谱相似性提出一套可靠的样本自动标注策略。由于高光谱图像相邻像素往往属于同一类地物，邻近像元之间具有空间一致性特性，故对于每一个待标注的样本，选取其周围3像素×3像素范围的8个样本作为其邻域样本。为了保证标注的正确性，接下来利用光谱相似性对这些样本进行进一步筛选。我们选择每个邻域样本与待标注样本的光谱角[15]作为光谱相似性依据，从中选取4个光谱相似性最高的样本作为待标注样本的参考标注样本，并将这4个样本输入本轮迭代得到的分类器中进行分类，如果分类标签一致，则将待标注样本标注为该标签。否则该样本不满足标注条件，不进行标注。标注过程如图3所示。这种自动标注方法既考虑高光谱图像的空间相似性，又考虑其光谱相似性，保证了标注的可靠性。

【参考文献】：
期刊论文
[1]融合主动学习的高光谱图像半监督分类[J]. 王立国,李阳.  哈尔滨工程大学学报. 2017(08)
[2]基于主动深度学习的高光谱影像分类[J]. 程圆娥,周绍光,袁春琦,陈蒙蒙.  计算机工程与应用. 2017(17)
[3]基于堆栈式稀疏自编码器的高光谱影像分类[J]. 戴晓爱,郭守恒,任淯,杨晓霞,刘汉湖.  电子科技大学学报. 2016(03)
[4]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[5]主动学习与图的半监督相结合的高光谱影像分类[J]. 田彦平,陶超,邹峥嵘,杨钊霞,何小飞.  测绘学报. 2015(08)
[6]基于遥感图像的土地分类[J]. 布和,贾艳茹.  内蒙古水利. 2015(02)

博士论文
[1]基于主动学习的高光谱图像分类技术研究[D]. 刘康.中国矿业大学（北京） 2014



本文编号：3058025