排序方式： 共有5条查询结果，搜索用时 78 毫秒
1
1.
利用主动深度学习提取极化SAR影像建筑区 总被引：2，自引：0，他引：2
针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。 相似文献
2.
3.
全极化SAR获取的信息量远多于传统SAR,但信息量的增加并不能确保分类精度的提高,如何有效进行特征选择至关重要。针对自适应特征选择问题,提出一种顾及分类器参数的特征选择和分类方法。该方法以支持向量数为评估依据,结合遗传算法进行特征选择,并同时对分类器参数进行寻优;最后利用优选的特征集和模型参数进行分类。为验证算法的有效性,利用两组全极化数据进行了监督分类实验。实验结果表明,提出方法降低了SVM分类器对自身参数的敏感性,而且能在较少特征个数下具备良好的泛化性能,分类精度优于未经过特征选择和参数优化的方法。 相似文献
4.
针对极化SAR图像在监督分类时存在人工标注样本费时费力以及浅层结构学习算法的表达能力有限等问题,提出一种基于主动深度学习的极化SAR图像分类方法。首先,对测量数据进行多种极化特征提取,以便完整地描述图像信息;在此基础上,通过自动编码器对大量无标记样本进行非监督学习,提取更具可分性和不变性的深层特征;然后,利用少量标记样本训练分类器,并与自动编码器连接,以监督学习的方式微调整个网络;最后,通过主动学习,选择对当前分类器最有价值的样本(分类模糊度最大的样本)进行人工标记,并加入到训练样本中,重新训练分类器和微调网络。对RADARSAT-2和EMISAR极化SAR影像进行不同分类的实验结果表明,该方法能在更少人工标记的样本下获得较高的分类精度。 相似文献
5.
1