基于深度學習的半監(jiān)督高光譜圖像分類
發(fā)布時間:2020-03-30 14:27
【摘要】:高光譜圖像分類是遙感高光譜圖像處理的一個重要分支。它的目的是通過計算機分析等手段確定遙感高光譜圖像中每一個像元真實的地物類標,F(xiàn)如今,深度學習在機器學習和模式識別等領(lǐng)域吸引了廣大科研人員的關(guān)注,越來越多的學者將深度學習應用于高光譜圖像分類來獲得更佳的分類效果。在高光譜圖像分類中,需要對高光譜圖像的每一個像元進行標注,該過程工作量較大,因其擁有大量的無標簽數(shù)據(jù),更增加了標注的難度。因此使用大量的無標簽樣本和少量的有標簽樣本對高光譜圖像進行半監(jiān)督分類能夠有效解決標注難的問題。基于以上分析,本文設(shè)計了基于半監(jiān)督深度學習的高光譜圖像分類框架來對高光譜圖像進行分類,從而解決高光譜數(shù)據(jù)標注難和深度學習需要大量有標簽數(shù)據(jù)的問題。本文的研究內(nèi)容如下:(1)設(shè)計了一種能夠同時使用少量的有標簽和大量的無標簽高光譜像元進行訓練的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。傳統(tǒng)的深度學習通常會用無標簽樣本對網(wǎng)絡(luò)進行逐層預訓練來初始化。在本文所設(shè)計的網(wǎng)絡(luò)中,通過對網(wǎng)絡(luò)增加一個解碼通道使得網(wǎng)絡(luò)能夠在進行分類任務的同時也能夠進行重建任務,在編碼器和解碼器之間添加一條橫向連接使得頂層的特征能夠?qū)W⒂诜诸惾蝿?重建時可以通過這些橫向連接直接對原始的編碼器的特征進行重建。通過該方法能讓無標簽樣本能夠輔助有標簽樣本,來獲得更高的分類精度。(2)設(shè)計了一種能夠聯(lián)合高光譜圖像的空間和譜間信息進行半監(jiān)督分類的網(wǎng)絡(luò)模型。在上一個方法中忽略了高光譜圖像的空間信息,并且現(xiàn)有結(jié)合空間信息與深度學習的方法僅能使用有標簽樣本進行訓練。針對上述問題,本文設(shè)計了一種能夠同時利用高光譜數(shù)據(jù)譜間和空間信息的半監(jiān)督3維卷積神經(jīng)網(wǎng)絡(luò),該模型的關(guān)鍵是結(jié)合空譜聯(lián)合信息進行特征提取,并且同時充分利用了大量的無標簽樣本,通過該模型能夠獲得更佳的分類效果。(3)設(shè)計了一種能夠?qū)W習到像元之間度量關(guān)系的網(wǎng)絡(luò),并使用該網(wǎng)絡(luò)對無標簽樣本進行偽標簽標注的方法。傳統(tǒng)的高光譜像元度量方法并不能很好的度量兩個像元的關(guān)系,針對此問題,設(shè)計了一個能夠度量兩個像元是否同屬一類的關(guān)系網(wǎng)絡(luò),在該網(wǎng)絡(luò)中采用卷積神經(jīng)網(wǎng)絡(luò)來提取兩個像元的特征,并且將兩個特征級聯(lián)起來再使用一個新的網(wǎng)絡(luò)來學習它們之間的關(guān)系,最后通過該網(wǎng)絡(luò)能判斷出兩個像元是否同屬一類。利用該網(wǎng)絡(luò)與鄰域信息相結(jié)合,對無標簽樣本進行偽標簽標注,最后同時使用這些帶標簽的數(shù)據(jù)訓練一個新的分類器。
【圖文】:
高光譜圖像
6 S4CNN 在 Pavia University 數(shù)據(jù)集與不同的方法在不同比例訓練樣本時兩個數(shù)據(jù)集的結(jié)果,本章算法無論是在分類的準確率上還是在分于其它對比算法的。在對比3D-CNN和本文重新設(shè)計的3D-CNN的網(wǎng)絡(luò)結(jié)構(gòu)明顯優(yōu)于對比算法,,首先是因為對比方法輸入的是未降始數(shù)據(jù)的緯度比較高,譜間冗余性比較大,所以直接使用原始數(shù)特征提取不是很合適,其次是本文設(shè)計的網(wǎng)絡(luò)在訓練時會使用批絡(luò)訓練,提高網(wǎng)絡(luò)的訓練效果。在對比BASE-3DCNN算法過程中顯的提升,這充分的說明本文算法對無標簽樣本的引入促進分類。這是因為網(wǎng)絡(luò)在輸入無標簽樣本時能夠?qū)W到有標簽樣本中沒有網(wǎng)絡(luò)的泛化能力。同時對比BASE-3DCNN和SSRN時,能夠發(fā)現(xiàn)提取網(wǎng)絡(luò)不如SSRN算法,但是將網(wǎng)絡(luò)和半監(jiān)督思想結(jié)合以后,網(wǎng)優(yōu)于當前最好的SSRN算法,這證明了本文算法已經(jīng)能夠取得優(yōu)異類能力上不弱于其它算法。
【學位授予單位】:西安電子科技大學
【學位級別】:碩士
【學位授予年份】:2019
【分類號】:TP751;TP18
【圖文】:
高光譜圖像
6 S4CNN 在 Pavia University 數(shù)據(jù)集與不同的方法在不同比例訓練樣本時兩個數(shù)據(jù)集的結(jié)果,本章算法無論是在分類的準確率上還是在分于其它對比算法的。在對比3D-CNN和本文重新設(shè)計的3D-CNN的網(wǎng)絡(luò)結(jié)構(gòu)明顯優(yōu)于對比算法,,首先是因為對比方法輸入的是未降始數(shù)據(jù)的緯度比較高,譜間冗余性比較大,所以直接使用原始數(shù)特征提取不是很合適,其次是本文設(shè)計的網(wǎng)絡(luò)在訓練時會使用批絡(luò)訓練,提高網(wǎng)絡(luò)的訓練效果。在對比BASE-3DCNN算法過程中顯的提升,這充分的說明本文算法對無標簽樣本的引入促進分類。這是因為網(wǎng)絡(luò)在輸入無標簽樣本時能夠?qū)W到有標簽樣本中沒有網(wǎng)絡(luò)的泛化能力。同時對比BASE-3DCNN和SSRN時,能夠發(fā)現(xiàn)提取網(wǎng)絡(luò)不如SSRN算法,但是將網(wǎng)絡(luò)和半監(jiān)督思想結(jié)合以后,網(wǎng)優(yōu)于當前最好的SSRN算法,這證明了本文算法已經(jīng)能夠取得優(yōu)異類能力上不弱于其它算法。
【學位授予單位】:西安電子科技大學
【學位級別】:碩士
【學位授予年份】:2019
【分類號】:TP751;TP18
【相似文獻】
相關(guān)期刊論文 前10條
1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測觀察[J];種子科技;2017年04期
2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測中的應用進展[J];北京農(nóng)業(yè);2016年01期
3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期
4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進展[J];食品研究與開發(fā);2013年10期
5 劉遵雄;蔣中慧;任行樂;;基于核方法協(xié)同表示的高光譜圖像分類[J];廣西大學學報(自然科學版);2019年05期
6 葉珍;白t
本文編號:2607664
本文鏈接:http://www.lk138.cn/kejilunwen/zidonghuakongzhilunwen/2607664.html
最近更新
教材專著