基于深度学习的高光谱图像特征学习研究_第1页
基于深度学习的高光谱图像特征学习研究_第2页
基于深度学习的高光谱图像特征学习研究_第3页
基于深度学习的高光谱图像特征学习研究_第4页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于深度学习的高光谱图像特征学习研究,电子信息工程 毕业论文答辩,指导老师： 答辩人：,目录,CONTENTS,第一部分 研究意义,第二部分 研究内容,第三部分 网络结构,第四部分 实验结果,第五部分 分析总结,第一部分,研究意义,1,研究意义,本文将基于深度学习的特征学习方法引入到高光谱遥感图像处理中，结合像元的光谱特征，设计了一种深度学习网络，能够从高光谱数据上百个波段中提取有用的信息并分类，与其他基于深度学习的分类方法相比，正确率得到了显著的提升，效果要比当前国际最新的方法（RPCA+CNN）性能更好。,1,研究意义,同时，训练好的网络具有很好的泛化性能，可以直接从同种传感器获取的其他高光谱图像数据中自动习得相应的特征，而不需要图像的其它先验信息与繁琐的参数调整。相比于原始数据，自动习得的特征分类正确率得到了显著的提升。,第二部分,研究内容,2,研究内容,2,研究内容-网络设计,2,研究内容-直接分类,2,实验结果-分类,AVIRIS传感器数据集错误率总表,ROSIS传感器数据集错误率总表,2,研究内容-分类结果,原始标签,传统的卷积神经网络,RPCA+CNN方法,Indian Pines 分类结果图,33 均值+方差,55 均值+方差,2,研究内容-分类结果,Indian Pines 55均值+方差分类混淆矩阵,4,实验结果-特征学习,4,实验结果-特征学习,在本节实验中，对于同一种传感器采集的不同数据集，使用其中一个数据集训练网络，获得网络模型用作特征学习。其余的数据集输入训练好的网络，习得对应的特征。 最终实验组使用SVM与SVM-CK算法对特征做分类，对照组使用SVM与SVM-CK算法对原始数据分类，以此测试特征质量。,4,实验结果-特征学习,Indian Pines数据集特征学习结果测试,Salina数据集特征学习结果测试,第五部分,分析总结,5,分析总结,提出了一种新的卷积神经网络结构，具有比现有的基于深度学习的高光谱图像分类算法更好的分类效果 首次使用卷积神经网络进行特征学习 使用 SVM、SVM-CK 等经典算法，分别对原始数据与特征学习方法获得的特征进行分类，以此验证特征学习方法习得的特征质量,感谢聆听！,
人人文库> 全部分类> 教育资料 > 毕业论文

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论