计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2013年
12期
3441-3443,3448
,共4页
关注度%支持向量机%期望最大化%主动学习%高光谱遥感图像
關註度%支持嚮量機%期望最大化%主動學習%高光譜遙感圖像
관주도%지지향량궤%기망최대화%주동학습%고광보요감도상
attention degree%Support Vector Machine (SVM)%Expectation-Maximization (EM)%Active Learning (AL)%hyperspectral remote sensing image
高光谱图像监督分类中,为了避免休斯效应需要大量的训练样本,但在实际应用中对样本进行标注成本非常高,因此,得到高质量的训练样本显得十分重要.提出一种基于主动学习的高光谱图像分类方法,通过对区域关注度的统计,有效地结合图像光谱和空间特性,基于主动学习方法获取信息量较大的训练样本,从而较大幅度提高了分类的精确度.实验结果表明,所提算法比传统的随机取样监督分类法和主动学习方法在分类精确度上有较大的优势.
高光譜圖像鑑督分類中,為瞭避免休斯效應需要大量的訓練樣本,但在實際應用中對樣本進行標註成本非常高,因此,得到高質量的訓練樣本顯得十分重要.提齣一種基于主動學習的高光譜圖像分類方法,通過對區域關註度的統計,有效地結閤圖像光譜和空間特性,基于主動學習方法穫取信息量較大的訓練樣本,從而較大幅度提高瞭分類的精確度.實驗結果錶明,所提算法比傳統的隨機取樣鑑督分類法和主動學習方法在分類精確度上有較大的優勢.
고광보도상감독분류중,위료피면휴사효응수요대량적훈련양본,단재실제응용중대양본진행표주성본비상고,인차,득도고질량적훈련양본현득십분중요.제출일충기우주동학습적고광보도상분류방법,통과대구역관주도적통계,유효지결합도상광보화공간특성,기우주동학습방법획취신식량교대적훈련양본,종이교대폭도제고료분류적정학도.실험결과표명,소제산법비전통적수궤취양감독분류법화주동학습방법재분류정학도상유교대적우세.
