基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax （准确率比较低，17年的论文）

论文地址

基于深度神经网络的高光谱影响分类方法研究

装备学院学报

遥感影像分类的问题：预处理复杂，高维特征提取困难，分类不够精确等缺陷

首先采用最大噪声分数来降低特征空间维度，然后将自动编码器与softmax多想逻辑回归分类器组合成含有多隐藏层的神经网络，对高光谱影像进行非监督型深度特征提取与分类。

0、引言

高光谱影像分类问题：低空间分辨率导致混合像元现象、波段间高相似性导致Hughes现象、端元与光谱不对应导致数据结构高度非线性等原因，使得高光谱影像数据一致都是具有挑战性的热点问题

监督学习、半监督学习、非监督学习

但是监督学习会面临下面的问题：

1.实际问题中标签数据稀缺，难以方便获得

2.求解高度非凸优化问题时会存在大量局部极值

3.使用梯度下降法时会发生弥散问题

非监督多隐藏层的自动编码器深度神经网络算法

1.MNF方法和自动编码器基本原理

1.1 MNF方法

不同波段下的高光谱影像组合成一个数据立方体，每一幅影像中像元记录的是对应瞬时视场（IFOV）内地物的辐射信息，每个像元在不同波段中的辐射信息组成了一个连续光谱曲线。

为什么在数据处理之前通常对数据维度做一些预处理呢？

在狭长的带宽中存在数百个频带，且相邻频带之间具有高相关性，导致了信息冗余与高维数据处理困难等问题，还会产生Hughes现象。

因此在分类之前需要对高光谱影像进行降维预处理，即对高维度影像信息用低维数据数据来简单表征，在降低数据量的同时优化地物的特征提取。

MNF(最小噪声分离变换，在ENVI中可以实现的操作)变化实现降维，基本原理是通过正交线性变换将所有波段的数投影到新的特征空间中是彼此互不相关，并按照个影像质量由大到小排列各成分，影像质量的衡量标准是信噪比。

1.2 自动编码器

无监督学习目的就是让输出y接近输入x，可以模拟x，注意没有标签的，只是让输出y代替输入x。

2.算法设计

增加隐藏层层数显然要比直接增加隐藏层神经元数量更加有效。

特征提取：

输入

设计网络激活函数

损失函数交叉熵损失代价函数优化器

BP反向传播更新权重

自动编码器最后一层输出，即对原始输入数据最高阶的特征表达

分类器：

Softmax回归模型（根据所给的样本值来推断属于某一类的概率）

步骤:

1.MNF变化

2.初始化参数

3.训练自动编码器

4.softmax分类

5.BP网络调整权重参数（我发现BP网络就是附带反向传播算法的网络，通常在自动编码器最后设置一层，但是就目前主流的cnn而言，是不存在这个问题，在框架中直接使用卷积神经网络）

3.实验结果

3.1 实验测试集

Indian Pines

Pavia

3.2 实验结果与分析

0.2用于训练，0.8测试

Indian Pines ：1个输入层、2个隐藏层、一个输出层。

180 120、120 16

Lr=0.05

预训练80次，微调200次？（这个怎么调次数？）

Pavia： 1个输入层、4个隐藏层、 1个输出层

90 70、70、70、70 9

Lr=0.05

预训练80次，微调200次

平均分类准确率：（这个算是很低了）

90.54%，88.44%

基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax （准确率比较低，17年的论文）相关推荐

基于深度神经网络的图像缺损修复方法综述
清华大数据软件团队官方微信公众号来源:专知本文附论文,建议阅读5分钟本文针对图像缺损修复研究进行了系统梳理和综合介绍. 图像缺损修复研究旨在通过计算机自动修复图像中的缺损内容.近年来,深度神经网络技 ...
基于深度学习的水下声纳图像分类方法研究
本文是哈尔滨工程大学2018年的一篇硕士论文,作者是焦佳. 摘要结合水下声纳图像的特点,研究深度学习相关理论与研究方法后,为水下声纳图像的分类构建深度信念网络(Deep Belief Network ...
毕业设计-深度学习的点云分类方法研究
目录前言课题背景和意义实现技术思路一.点云处理介绍二.点云分类方法实现效果图样例最后前言
ffnn_GA-FFNN：基于签名的IDS的智能分类方法
ffnn Abstract. Intrusion Detection System (IDS), the second line of defense mechanism plays a major ...
无失真压缩法可以减少冗余_CVPR 2020 论文概述：基于深度学习的层级式视频压缩方法...
在 CVPR 2020 论文<Learning for Video Compression with Hierarchical Quality and Recurrent Enhancement ...
基于卷积神经网络的高光谱分类 CNN+高光谱+印度松数据集
基于卷积神经网络的高光谱分类一.研究现状只考虑到高光谱图像的光谱特征,即: 1.提取特征(小波变换.Gabor纹理分析.形态学剖面) 2.利用分类方法分类(支持向量机.决策树.随机森林.神经网络) ...
matlab计算后验概率,基于深度神经网络后验概率算法的口语发音评测方法与流程...
本发明涉及发音评测领域,特别涉及一种基于深度神经网络后验概率算法的口语发音评测方法. 背景技术: 常用的语音评测技术,比如用于英语口语教学中的语音评测,一般都是采用智能打分技术对学习者的口语进行评测, ...
基于卷积神经网络的高光谱图像分类
文章目录引言 1. 基于光谱特征 2. 基于空间特征 3. 基于空谱特征 3.1 空间特征和光谱特征的融合 3.2 基于3D-CNN分类 4. 总结引言近年来深度学习的技术在计算机视觉领域中大放 ...
计算机视觉检测白皓月,基于深度神经网络的视线跟踪技术研究
毛云丰沈文忠滕童摘要: 视线跟踪是人机互动技术中重要的组成部分,可以广泛地应用在机器人.手机.笔记本等设备中.针对传统方法在低分辨率图像上的准确率不高和设计步骤繁琐等问题,提出一种基于深度神 ...

基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax （准确率比较低，17年的论文）

基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax （准确率比较低，17年的论文）相关推荐

最新文章

热门文章