基于主动深度学习的遥感图像分类

发布时间：2017-06-22 13:07

  本文关键词：基于主动深度学习的遥感图像分类，由笔耕文化传播整理发布。

【摘要】：随着遥感图像在社会生活和经济建设中的地位越来越重要,遥感图像分辨率也在逐步提高,如何从遥感图像获得更多有用的数据和信息变得极为迫切。在社会生活中,从遥感图像中获取大量的标记样本是不现实的,但是随着技术的不断发展,对未标记样本的采集工作显得轻而易举,专家不必花费大量的人力物力对未标记样本进行标记。因此,提高遥感图像的分类性能更多考虑如何充分利用有限的标记样本和大量的未标记样本,主动学习可以有效解决这个问题。主动学习算法通过依次迭代更新,从未标记样本中寻找含有最大信息量的样本,在有限的时间和资源的前提下,构造有效训练集,从而提高分类算法的效率。目前,在机器学习领域,主动学习已成为一个热门研究问题。深度学习致力于建立模拟人脑分析学习机制的多层次神经网络的建模和算法学习的研究问题,它的概念源于人工神经网络的研究,深度学习通过多层神经网络分析和解释数据,解决深层结构相关的优化难题。在深度学习中,一种常用的模型是稀疏自编码模型(SAE)。它在寻找数据高维特征同时通过稀疏正则项使得寻找到的特征具有稀疏性,不仅能保证取出的特征能够消除冗余,而且具有很好的表示能力。本文利用稀疏自编码结合主动学习模型中的nEQB来对遥感图像进行分类。该方法先利用稀疏自编码对训练样本进行训练得到初始分类器,接下来用主动学习把未标注样本集中最富有信息量的样本挑选出来交给专家对样本所属的属性或者类别加以标注,把标记好的样本重新加入到训练样本中,同时将标记好的样本从未标记样本中剔除,如此迭代更新分类器。引入主动学习加入到稀疏自编码框架中是为了通过主动学习来增加训练样本的数量,提高分类器性能,从而提高稀疏自编码的分类精度,为了验证两者结合的效果与稀疏自编码加随机和SVM加主动学习方法进行了对比实验。此外,在这两组实验中还测试了参数的敏感性。实验结果表明:在遥感图像的分类中,在训练样本一致的前提下,SVM通常是略优于SAE;不过不论对SAE还是SVM,加入主动学习算法以后两者的分类精度都有提高。
【关键词】：深度学习 主动学习 支持向量机 稀疏自编码
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 课题研究目的及意义10-11
• 1.2 常用的遥感图像分类方法11-12
• 1.3 主动学习简介12-13
• 1.4 深度学习简介13-14
• 1.4.1 国内外现状14
• 1.5 本文主要研究工作和创新点14-15
• 1.6 论文组织结构15-17
• 第2章 分类算法相关理论基础17-25
• 2.1 从浅层学习到深层学习17-18
• 2.2 浅层学习——支持向量机18-21
• 2.2.1 线性分类方法19-20
• 2.2.2 非线性分类方法20-21
• 2.2.3 核函数介绍21
• 2.3 深层学习——稀疏自编码模型21-24
• 2.4 本章小结24-25
• 第3章 基于主动学习的稀疏自编码算法25-40
• 3.1 主动学习模型25-30
• 3.1.1 主动学习基本框架26-27
• 3.1.2 主动学习的样本采样策略27-29
• 3.1.3 nEQB采样策略29-30
• 3.2 基于主动学习的SVM算法流程设计30-32
• 3.3 稀疏自编码模型32-37
• 3.3.1 自编码结构32-33
• 3.3.2 稀疏自编码结构33
• 3.3.3 堆栈稀疏自编码网络结构33-37
• 3.4 基于主动学习的稀疏自编码算法37-39
• 3.5 本章小结39-40
• 第4章 实验结果与仿真分析40-59
• 4.1 实验数据40-43
• 4.2 仿真实验43-47
• 4.2.1 Pavia U数据集上的实验结果43-45
• 4.2.2 Pavia数据集上的实验结果45-46
• 4.2.3 Salinas数据集上的实验结果46-47
• 4.3 实验结果图47-54
• 4.4 分类结果实物图54-58
• 4.5 本章小结58-59
• 结论59-60
• 参考文献60-65
• 攻读硕士学位期间承担的科研任务与主要成果65-66
• 致谢66

【相似文献】

中国期刊全文数据库 前10条

1 刘庆生,刘高焕,蔺启忠,王志刚;基于逻辑斯蒂模型的遥感图像分类[J];国土资源遥感;2001年01期

2 谭衢霖,邵芸;雷达遥感图像分类新技术发展研究[J];国土资源遥感;2001年03期

3 杜凤兰,田庆久,夏学齐;遥感图像分类方法评析与展望[J];遥感技术与应用;2004年06期

4 李石华,王金亮,毕艳,陈姚,朱妙园,杨帅,朱佳;遥感图像分类方法研究综述[J];国土资源遥感;2005年02期

5 付小勇;杨建祥;谭靖;;基于统计的遥感图像分类方法[J];林业调查规划;2005年06期

6 王一达;沈熙玲;谢炯;;遥感图像分类方法综述[J];遥感信息;2006年05期

7 李华;曹卫彬;刘姣娣;;土地监测中提高遥感图像分类精度的方法研究[J];安徽农学通报;2008年22期

8 岳昔娟;张勇;黄国满;;改进的直方图均衡化在遥感图像分类中的应用[J];四川测绘;2008年04期

9 曾联明;吴湘滨;刘鹏;;感兴趣区域遥感图像分类与支持向量机应用研究[J];计算机工程与应用;2009年06期

10 金良;于凤鸣;;计算机遥感图像分类法在天然草原土地利用现状研究中的应用[J];科技资讯;2010年36期

中国重要会议论文全文数据库 前5条

1 张守娟;周诠;;空间数据挖掘决策树算法在遥感图像分类中的应用研究[A];中国遥感应用协会2010年会暨区域遥感发展与产业高层论坛论文集[C];2010年

2 邓文胜;邵晓莉;刘海;万诰方;许亮;;基于证据理论的遥感图像分类方法探讨[A];中国地理学会2006年学术年会论文摘要集[C];2006年

3 周军其;张红;孙家b，

本文编号：471882