在利用主動學習方法進行高光譜圖像分類時,往往存在空-譜特征不能得到有效利用和樣本需要進行手動標注的問題。針對這些問題,提出一種結合卷積神經網絡的主動學習方法進行高光譜圖像分類。該方法首先提取像素的空間鄰域組成訓練樣本,通過卷積神經網絡對樣本的空間特征和光譜特征進行學習并對數據進行初步分類;然后,基于高光譜圖像的空間相似性和光譜相似性,對無標注樣本進行標注,并將其加入標注訓練集以提高分類器的分類精度。在Salinas、PaviaU和Indian Pines這3個高光譜數據上的實驗結果表明,該方法能在較少標注樣本的情況下,有效提高高光譜圖像的分類精度。 

【文章來源】：中國科學院大學學報. 2020,37(02)北大核心

【文章頁數】：8 頁

【部分圖文】：

本文采用的卷積神經網絡

主動學習算法的主要流程如圖2所示。首先利用標注樣本集L訓練一個分類器C，利用查詢函數Q對樣本進行篩選，然后利用專家標注S對這些選中的樣本進行標注，之后將新標注好的樣本加入到標注樣本集L中組成新的訓練集，并參與下一輪的分類器C的訓練。該過程不斷循環(huán)，直到分類器的分類精度達到目標精度或達到設置的最大迭代次數。2.2 BvSB主動學習

針對上述問題，本文利用高光譜圖像的空間相似性和光譜相似性提出一套可靠的樣本自動標注策略。由于高光譜圖像相鄰像素往往屬于同一類地物，鄰近像元之間具有空間一致性特性，故對于每一個待標注的樣本，選取其周圍3像素×3像素范圍的8個樣本作為其鄰域樣本。為了保證標注的正確性，接下來利用光譜相似性對這些樣本進行進一步篩選。我們選擇每個鄰域樣本與待標注樣本的光譜角[15]作為光譜相似性依據，從中選取4個光譜相似性最高的樣本作為待標注樣本的參考標注樣本，并將這4個樣本輸入本輪迭代得到的分類器中進行分類，如果分類標簽一致，則將待標注樣本標注為該標簽。否則該樣本不滿足標注條件，不進行標注。標注過程如圖3所示。這種自動標注方法既考慮高光譜圖像的空間相似性，又考慮其光譜相似性，保證了標注的可靠性。

【參考文獻】：
期刊論文
[1]融合主動學習的高光譜圖像半監(jiān)督分類[J]. 王立國,李陽.  哈爾濱工程大學學報. 2017(08)
[2]基于主動深度學習的高光譜影像分類[J]. 程圓娥,周紹光,袁春琦,陳蒙蒙.  計算機工程與應用. 2017(17)
[3]基于堆棧式稀疏自編碼器的高光譜影像分類[J]. 戴曉愛,郭守恒,任淯,楊曉霞,劉漢湖.  電子科技大學學報. 2016(03)
[4]高光譜遙感影像分類研究進展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學報. 2016(02)
[5]主動學習與圖的半監(jiān)督相結合的高光譜影像分類[J]. 田彥平,陶超,鄒崢嶸,楊釗霞,何小飛.  測繪學報. 2015(08)
[6]基于遙感圖像的土地分類[J]. 布和,賈艷茹.  內蒙古水利. 2015(02)

博士論文
[1]基于主動學習的高光譜圖像分類技術研究[D]. 劉康.中國礦業(yè)大學（北京） 2014



本文編號：3058025