一种应用于遥感图像分类的迁移学习算法

发布时间：2021-11-07 05:53

　　针对遥感图像分类中数据集小以及数据集无标签等问题,利用深度迁移学习的思想,将迁移学习方法应用于神经网络训练中,以实现对遥感图像数据进行特征提取及分类。本文结合残差网络（RTN）和深度相关对齐方法（CORAL）将Alexnet模型迁移至遥感图像分类问题中,使得学习到的特征不仅具有可分类性,同时具备域不变性。通过与Deep CORAL和RTN算法对比,本文提出的算法具有更好的迁移效果。 

【文章来源】：网络新媒体技术. 2020,9(06)

【文章页数】：6 页

【部分图文】：

本文网络架构图

目标分类器的网络结构图

在深度学习中,一个epoch表示训练集样本全部完成了一次前向传播和反向传播,epoch的大小决定网络需要对训练集的全部样本进行训练的次数。当训练集校本次数epoch太小时,网络训练次数很少,网络无法拟合到最佳分类状态;当训练集校本次数epoch太大时,此时网络训练次数已经足够,网络性能也很早便达到最佳,这时,太大的epoch会导致运行时间过长,甚至会造成网络过拟合现象。因此选择合适的epoch是非常必要的。图3为网络每次训练后的测试准确度,实验结果表明当训练次数达到200次时,神经网络的测试准确度逐渐趋于稳定,网络的性能不再随着训练次数的增加而改善。由实验结果可知将训练次数设置为200次左右是较合适的,此时网络性能已经稳定,同时也避免了较大训练次数所引起的训练时间过长等问题。此外,由于目标域的训练样本和测试样本的特征分布不是完全相同的,因此,过大的训练次数可能使网络过于拟合训练样本,存在测试准确度降低的可能。所以选择合适的训练次数很重要。

【参考文献】：
期刊论文
[1]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)



本文编号：3481292