高光譜遙感技術在環(huán)境監(jiān)測、應急保障、精細地物提取等方面有著廣泛的應用,隨著高分五號高光譜數(shù)據(jù)的正式發(fā)布,高光譜遙感技術將發(fā)揮更重要的作用。遙感影像分類作為高光譜遙感影像信息處理的重要部分,已成為當前研究重點。本文針對傳統(tǒng)多級聯(lián)森林深度學習中模型復雜、無法利用基分類器差異信息、對類間差異較小的樣本無法正確區(qū)分等不足,提出了一種改進的多級聯(lián)森林深度學習模型,在模型框架中,分別采用了隨機森林和旋轉(zhuǎn)森林作為基分類器,并引入邏輯回歸分類器作為判別器用于訓練層擴展。相較于傳統(tǒng)的深度神經(jīng)網(wǎng)絡,改進的多級聯(lián)森林深度網(wǎng)絡超參數(shù)較少且能夠自適應確定訓練層,更方便進行模型優(yōu)化。實驗采用了高分五號數(shù)據(jù)集及兩個公開的高光譜數(shù)據(jù)集（Indian Pines數(shù)據(jù)集及Pavia University數(shù)據(jù)集）進行精度評定,同時選擇了傳統(tǒng)分類器支持向量機、深度置信網(wǎng)等模型作為對比分析。實驗結(jié)果表明,改進的多級聯(lián)森林深度學習模型能有效地進行高光譜遙感影像分類,且較傳統(tǒng)的分類方法精度有所提升。 

【文章來源】：遙感學報. 2020,24(04)北大核心EICSCD

【文章頁數(shù)】：15 頁

【部分圖文】：

Indian Pines數(shù)據(jù)集

訓練層中邏輯回歸分類器參與精度的評估及最終結(jié)果確定。因此，該框架可以根據(jù)精度來確定層數(shù)，這與需要預先設置的深度學習框架不同。同時，與傳統(tǒng)的端到端訓練策略不同，改進的多級聯(lián)森林網(wǎng)絡框架是逐級訓練的，不需要計算梯度。因此，文中所提方法的效率比傳統(tǒng)的深度模型高。模型中的隨機森林也可以用任何其他分類器替換。模型基分類器之所以選擇隨機森林及旋轉(zhuǎn)森林，主要因為（1）隨機森林和旋轉(zhuǎn)森林能夠保證基分類器之間的差異性；（2）隨機森林及旋轉(zhuǎn)森林所涉及的參數(shù)較少，對參數(shù)設置具有較強的魯棒性。4 數(shù)據(jù)介紹

在制作標準數(shù)據(jù)集過程中參考Google Earth，將研究區(qū)域內(nèi)地物劃分為7類，分別為農(nóng)作物、水體、商圈、裸土、居民區(qū)、植被和道路。具體地物如圖3所示，每個地物類別所標記的樣本個數(shù)如表1所示。4.2 Indian Pines數(shù)據(jù)集


本文編號：3217511