计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
9期
2706-2709
,共4页
王知音%禹龙%田生伟%钱育蓉%丁建丽%杨柳
王知音%禹龍%田生偉%錢育蓉%丁建麗%楊柳
왕지음%우룡%전생위%전육용%정건려%양류
遥感图像%水体提取%深度学习%栈式自编码%softmax分类器
遙感圖像%水體提取%深度學習%棧式自編碼%softmax分類器
요감도상%수체제취%심도학습%잔식자편마%softmax분류기
remote sensing image%water body extraction%deep learning%stacked autoencoder%softmax classifier
为了进一步提高利用遥感图像进行水体提取的准确率和自动化程度,提出一种基于栈式自编码(SAE)深度神经网络的水体提取方法.通过堆叠稀疏自编码器构建深度网络模型,使用逐层贪婪训练法依次训练每层网络,从像素层面无监督学习特征,避免传统神经网络等方法需进行人工特征分析与选取的问题;用学习到的特征结合相应的样本标签有监督训练softmax分类器;利用反向传播(BP)算法微调优化整个模型.采用塔里木河ETM+数据进行实验,基于SAE的水体提取方法准确率达到94.73％,比支持向量机(SVM)和反向传播(BP)神经网络方法分别高出3.28％和4.04％.实验结果表明,所提方法能有效提高水体提取的精度.
為瞭進一步提高利用遙感圖像進行水體提取的準確率和自動化程度,提齣一種基于棧式自編碼(SAE)深度神經網絡的水體提取方法.通過堆疊稀疏自編碼器構建深度網絡模型,使用逐層貪婪訓練法依次訓練每層網絡,從像素層麵無鑑督學習特徵,避免傳統神經網絡等方法需進行人工特徵分析與選取的問題;用學習到的特徵結閤相應的樣本標籤有鑑督訓練softmax分類器;利用反嚮傳播(BP)算法微調優化整箇模型.採用塔裏木河ETM+數據進行實驗,基于SAE的水體提取方法準確率達到94.73％,比支持嚮量機(SVM)和反嚮傳播(BP)神經網絡方法分彆高齣3.28％和4.04％.實驗結果錶明,所提方法能有效提高水體提取的精度.
위료진일보제고이용요감도상진행수체제취적준학솔화자동화정도,제출일충기우잔식자편마(SAE)심도신경망락적수체제취방법.통과퇴첩희소자편마기구건심도망락모형,사용축층탐람훈련법의차훈련매층망락,종상소층면무감독학습특정,피면전통신경망락등방법수진행인공특정분석여선취적문제;용학습도적특정결합상응적양본표첨유감독훈련softmax분류기;이용반향전파(BP)산법미조우화정개모형.채용탑리목하ETM+수거진행실험,기우SAE적수체제취방법준학솔체도94.73％,비지지향량궤(SVM)화반향전파(BP)신경망락방법분별고출3.28％화4.04％.실험결과표명,소제방법능유효제고수체제취적정도.
