高光谱遥感影像多级联森林深度网络分类算法

发布时间：2021-06-07 23:29

　　高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集（Indian Pines数据集及Pavia University数据集）进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。 

【文章来源】：遥感学报. 2020,24(04)北大核心EICSCD

【文章页数】：15 页

【部分图文】：

Indian Pines数据集

训练层中逻辑回归分类器参与精度的评估及最终结果确定。因此，该框架可以根据精度来确定层数，这与需要预先设置的深度学习框架不同。同时，与传统的端到端训练策略不同，改进的多级联森林网络框架是逐级训练的，不需要计算梯度。因此，文中所提方法的效率比传统的深度模型高。模型中的随机森林也可以用任何其他分类器替换。模型基分类器之所以选择随机森林及旋转森林，主要因为（1）随机森林和旋转森林能够保证基分类器之间的差异性；（2）随机森林及旋转森林所涉及的参数较少，对参数设置具有较强的鲁棒性。4 数据介绍

在制作标准数据集过程中参考Google Earth，将研究区域内地物划分为7类，分别为农作物、水体、商圈、裸土、居民区、植被和道路。具体地物如图3所示，每个地物类别所标记的样本个数如表1所示。4.2 Indian Pines数据集


本文编号：3217511