發(fā)布時(shí)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(gè)重要分支。它的目的是通過計(jì)算機(jī)分析等手段確定遙感高光譜圖像中每一個(gè)像元真實(shí)的地物類標(biāo)�，F(xiàn)如今,深度學(xué)習(xí)在機(jī)器學(xué)習(xí)和模式識(shí)別等領(lǐng)域吸引了廣大科研人員的關(guān)注,越來越多的學(xué)者將深度學(xué)習(xí)應(yīng)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(duì)高光譜圖像的每一個(gè)像元進(jìn)行標(biāo)注,該過程工作量較大,因其擁有大量的無標(biāo)簽數(shù)據(jù),更增加了標(biāo)注的難度。因此使用大量的無標(biāo)簽樣本和少量的有標(biāo)簽樣本對(duì)高光譜圖像進(jìn)行半監(jiān)督分類能夠有效解決標(biāo)注難的問題�；�于以上分析,本文設(shè)計(jì)了基于半監(jiān)督深度學(xué)習(xí)的高光譜圖像分類框架來對(duì)高光譜圖像進(jìn)行分類,從而解決高光譜數(shù)據(jù)標(biāo)注難和深度學(xué)習(xí)需要大量有標(biāo)簽數(shù)據(jù)的問題。本文的研究內(nèi)容如下:(1)設(shè)計(jì)了一種能夠同時(shí)使用少量的有標(biāo)簽和大量的無標(biāo)簽高光譜像元進(jìn)行訓(xùn)練的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。傳統(tǒng)的深度學(xué)習(xí)通常會(huì)用無標(biāo)簽樣本對(duì)網(wǎng)絡(luò)進(jìn)行逐層預(yù)訓(xùn)練來初始化。在本文所設(shè)計(jì)的網(wǎng)絡(luò)中,通過對(duì)網(wǎng)絡(luò)增加一個(gè)解碼通道使得網(wǎng)絡(luò)能夠在進(jìn)行分類任務(wù)的同時(shí)也能夠進(jìn)行重建任務(wù),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?wù),重建時(shí)可以通過這些橫向連接直接對(duì)原始的編碼器的特征進(jìn)行重建。通過該方法能讓無標(biāo)簽樣本能夠輔助有標(biāo)簽樣本,來獲得更高的分類精度。(2)設(shè)計(jì)了一種能夠聯(lián)合高光譜圖像的空間和譜間信息進(jìn)行半監(jiān)督分類的網(wǎng)絡(luò)模型。在上一個(gè)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(xué)習(xí)的方法僅能使用有標(biāo)簽樣本進(jìn)行訓(xùn)練。針對(duì)上述問題,本文設(shè)計(jì)了一種能夠同時(shí)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(jìn)行特征提取,并且同時(shí)充分利用了大量的無標(biāo)簽樣本,通過該模型能夠獲得更佳的分類效果。(3)設(shè)計(jì)了一種能夠?qū)W習(xí)到像元之間度量關(guān)系的網(wǎng)絡(luò),并使用該網(wǎng)絡(luò)對(duì)無標(biāo)簽樣本進(jìn)行偽標(biāo)簽標(biāo)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(gè)像元的關(guān)系,針對(duì)此問題,設(shè)計(jì)了一個(gè)能夠度量兩個(gè)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(gè)像元的特征,并且將兩個(gè)特征級(jí)聯(lián)起來再使用一個(gè)新的網(wǎng)絡(luò)來學(xué)習(xí)它們之間的關(guān)系,最后通過該網(wǎng)絡(luò)能判斷出兩個(gè)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(duì)無標(biāo)簽樣本進(jìn)行偽標(biāo)簽標(biāo)注,最后同時(shí)使用這些帶標(biāo)簽的數(shù)據(jù)訓(xùn)練一個(gè)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(xùn)練樣本時(shí)兩個(gè)數(shù)據(jù)集的結(jié)果，本章算法無論是在分類的準(zhǔn)確率上還是在分于其它對(duì)比算法的。在對(duì)比3D-CNN和本文重新設(shè)計(jì)的3D-CNN的網(wǎng)絡(luò)結(jié)構(gòu)明顯優(yōu)于對(duì)比算法，，首先是因?yàn)閷?duì)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(jì)的網(wǎng)絡(luò)在訓(xùn)練時(shí)會(huì)使用批絡(luò)訓(xùn)練，提高網(wǎng)絡(luò)的訓(xùn)練效果。在對(duì)比BASE-3DCNN算法過程中顯的提升，這充分的說明本文算法對(duì)無標(biāo)簽樣本的引入促進(jìn)分類。這是因?yàn)榫W(wǎng)絡(luò)在輸入無標(biāo)簽樣本時(shí)能夠?qū)W到有標(biāo)簽樣本中沒有網(wǎng)絡(luò)的泛化能力。同時(shí)對(duì)比BASE-3DCNN和SSRN時(shí)，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(dāng)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(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751;TP18

【相似文獻(xiàn)】

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(yīng)用進(jìn)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(yīng)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(jìn)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(xué)學(xué)報(bào)(自然科學(xué)版);2019年05期

6 葉珍;白t

本文編號(hào)：2607664