文摘
需要大量的努力和成本为遥感影像分类收集训练样本。遥感的研究和如何阅读多光谱图像变得更加重要。高维多光谱图像是由不同的乐队,展示材料的行为。需要更多的事物和信息传感器分辨率的提高导致的多光谱数据与更高的大小。近年来,它已经表明,高维度的这些数据很难进行预处理以多种方式。最近的研究表明,解决这个问题最重要的方法之一是通过采用不同的学习策略。但随着数据变得更加复杂,这些方法并不足够的支持。该方法表明,使用遥感图像分类实验表明不同的深度学习模型的最大似然分类器;权向量(西弗吉尼亚州)演算法和亚当可以大大限制过度拟合,获得较高的分类精度。提出VGG16和初始v3提高分类精度优化过程产生96.08%。
1。介绍
多光谱传感器获取地球表面的反射率在数以百计的频段由于传感器技术的进步。因此,多光谱图像可以用于广泛的活动,从分类到环境监测。例如,分类精度降低维数增加,训练样本限制时,根据休斯的现象。多光谱图像可能包含强之间的相关性(1邻国和不相邻的乐队,这降低了数量的数据可以用于进一步的分析,包括分类。准确的分类依赖于某些特征的提取。带相关聚类(BCC)是一种新的无监督特征提取2,3摘要介绍了)的方法。有三个关键过程的显示技术,是乐队的相关系数计算,乐队是集群根据相关系数矩阵,每个集群计算的方法和特征提取的新方法。分类精度和时间消耗是用来评估支持向量机方法。(4)产生的功能是提供非参数的支持向量机(SVM)和参数机器学习(ML),两个监督分类,评估过程。(5)可比的结果是获得使用(6通过集群)无监督特征提取。评估结果表明,建议的BCC表现良好的计算费用提高分类精度的措施。
基于对象的图像分类(OBIC) [7)是用于高分辨率进行分类(VHR)的照片。大多数OBIC [8)分类算法使用一维特性手工从图片对象(superpixels)。这封信介绍深OBIC框架利用(9,10卷积神经网络(cnn)提取二维深度superpixel特性(11]。在设计网络(12),研究了superpixel面具规定在实验之前,该框架更好的整体精度,系数,F-measure是由我们DiCNN-4(双输入CNN) [13)模型。(14比标准OBIC方法在图像数据集。整体学习演算法是一个很好的技术,结合了多个弱分类器来创建一个强分类器,最终提高分类精度。(15]然而,演算法结合俯瞰基本分类器的性能在每个类级别和专注于他们的总性能。演算法提高分类精度的能力是阻碍,(16在以后的几轮]使过度拟合问题。在本文中,一个增强[17,18)学习演算法与权向量(西弗吉尼亚州演算法)提出减少这些缺点和保护演算法的优点。每一个类被分配一个权重来表示认可(16,19]能力基本分类器使用的权重向量。演算法和西弗吉尼亚州演基分类器训练使用人工神经网络(ANN),朴素贝叶斯和决策树(20.]。使用遥感(RS)数据分类实验表明,西弗吉尼亚州演算法比演算法通过产生更大的分类精度。它可以大大减少过度拟合,在有限数量的重复,西弗吉尼亚州演算法可以提高分类精度最大可能的水平。
标签样本中的每个图像通常是一个必要的步骤处理遥感数据多瞬时的,但这是一个费力而耗时的操作。(21]地上物品经常不改变随着时间的推移,因此,某些标签可以重用与适当的一致性检查。仅使用一个标记,一个新的转移弱监督学习框架(22]中描述这个过程多瞬时遥感图像进行分类。(23)我们的系统可以按时间顺序分类所有其他多瞬时图像没有任何标签努力利用时间序列图像和一个域的一致性适应机制。(24)我们的系统得到的分类精度与得到是什么(25监督学习。(26]一个时间数据集的训练样本,我们的系统还能够处理多瞬时遥感图像,正如前面提到的人物1输入数据,预处理方法应用,《盗梦空间》v3和VGG16模型图像分类和准确性。
1.1。该工作的动机
多光谱图像分类的主要动机和接收结果更好的准确性与多级技术和预定义的模型应用于即兴创作的准确性与初始v3和VGG16遥感数据集,主要目标和动机需要分析和即兴发挥的准确性和优化技术来提高计算的准确性和成本降低。
2。相关工作
2.1。方法
利用亚当优化器,比较VGG16 [27)和《盗梦空间》v3,建议技术产生结果的准确性同时要求最小的计算时间。下面的模型详细描述了培训学习网络。
2.1.1。归一化
本文分析了遥感数据使用单层和深卷积网络。考虑到巨大的输入数据的维数和小带安全标签的数据时,直接应用监督(浅或深)卷积网络多和28高光谱图像是有问题的。建议结合无监督学习(29日与贪婪layer-wise无监督pretraining稀疏的特性。(30.)技术使用稀疏表示实施人口和终身稀疏和计算每个像素使用数据的对数归一化。 在哪里表示原始图像的灰度值,表示灰度值归一化后的图像。样本图像的灰度级有最小值和最大值范围是0到255。
2.1.2。补丁提取
训练图像集由图像补丁的协方差矩阵。(31日补丁打包图像的方法集群。随机mini-batches检索有50%的重叠(步幅8)大小和分辨率决定了补丁。高分辨率需要与测试图像集小补丁 不重叠的图像补丁。(32这些纯补丁标签使用后验概率计算。在图2,输入图像与参考像素和相邻的像素具有类似补丁解释道。
2.1.3。模型训练
使用批量标准化和VGG16特征提取。分类(33)层是完全相关,批处理规范化,ReLU。泽维尔的方法(34初始化完全连接层的权重。亚当使用0.001学习速率和0.00001重量衰变。这个模型簇遥感数据(GDC-SAR)。在图3,输入图像和卷积加上ReLU和最大池分辨率降低 与 与完全连接ReLU softmax VGG16架构。
2.1.4。最大似然分类器
最常用的遥感分类技术是最大似然分类器,这地方一个像素到类,它最接近。一个像素属于类的后验概率用于定义的可能性 。 在那里,是类的先验概率 ,。和 概率密度函数或条件概率见证从类 。
同样是由所有类共享的,通常被认为是相等的。作为一个结果, ,或者是概率密度函数,确定 。概率密度函数是基于数学的多元正态分布的原因。正态分布的概率可以表示如下: 在那里,乐队的数量,图像数据的乐队 ,和属于类 。 是普通类向量,方差协方差矩阵和类k,是一个指标, 。的可能性是一样的欧几里得距离variance-covariance矩阵是对称的,并且它是一样的距离时,决定因素是相等的。
2.1.5节讨论。《盗梦空间》v3
谷歌网络模块,《盗梦空间》v3是一个艾滋病的卷积神经网络在目标识别和图像分析。谷歌开始卷积神经网络,这是首次展出ImageNet识别的挑战,在第三次迭代中,在图4代表了滤波器串联操作的过程和上一层和旋转,图层1 x1, 3 x3和5 x5 3 x3的马克斯池。
2.1.6。亚当优化过程
亚当优化算法的主要目标是快速计算(35)与有限数量的调优参数如时代、学习速率、批量大小、学习速率,优化器,和大量的神经元。此外,调整层数对beta 2二次矩估计的0.999和1.0附近1和β衰变速率为0.9。
首先,梯度( )随着时间的推移,( )的一步。
其次,计算时刻,移动平均线( )hyperparameter beta 1。
然后用移动平均更新时刻( )第二个beta 2。
接下来,偏差调整与修正1圣时刻
然后2nd时刻
一个静态的衰变时间表需要应用。
最后,计算的迭代参数的值。
在哪里步长和eps(ε)和小价值()是平方根函数。
2.1.7。演算法流程
演算法首先随机选择一个训练子集。通过选择前面的训练集取决于精度训练,它反复训练机器学习演算法模型。它给在[错误分类的观察15)更大的重量,这样他们将有更大的几率被正确分类在即将到来的一轮。此外,根据训练分类器的精度、重量分配在每个迭代中。(36的更准确的分类器将获得更多的重量。该方法迭代,直到整个训练集完美契合,或者直到规定的最大数量的估计已经达到(37)分类创建的投票算法选择。
3所示。数据处理
3.1。数据集
我们使用信息从国税局P6丽丝从ISRO IV遥感数据集的分析,参考https://directory.eoportal.org/web/eoportal/satellite-missions/i/irs-p6。该地区正在研究只是印度的德里地区,集中在0.00000纬度和经度75.00000和场景中心28.615513纬度和经度77.216714,分别。图5显示了RGB和表的组合乐队1简要的描述美国国税局P6丽丝四我们在工作中使用的数据。图6代表乐队2 tiff图像,图7代表乐队3 tiff图像,图8代表乐队4 tiff图像。
在表1第四,它提到了关于印度遥感p-6丽丝详细数据集描述。
3.1.1。数据预处理
第一个级别0数据预处理以提高质量为更有效的图像增强和分析过程。(38通过预处理、二进制转换的两个复杂的元素,这些图像文件格式(。tiff扩展),这样图像矩阵用于修补施工和分析,减少失真和图像品质提高。(数据6,7,8)(带2、3和4)。
|
||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||
4所示。结果与讨论
三个类被用来训练模型。评估结果也与前面的模型如支持向量机相比,k - means,最大似然(多层陶瓷)和自适应运动估计。表2显示了有效的随机优化方法与精度水平每个类用百分比表示。
最终准确的数据集是由平均评估它的所有补丁。在表3的范围,提出了领域的考试是有利的。这可能是具有挑战性的区分mixed-class城市定居点从其他城市地区。这是因为没有很多重要的城市中心在这些位置。大部分的混合社区,见图5,6,7,8。补丁可能有几类在创建地面真理,但分类后,它只有一个标签,对应于最大的类。这将导致减少精度和分辨率SAR图像和遥感数据之间的差异。在上面的表中,演算法分析作为每个乐队的组合结果。
每个模型和机器学习算法给出了最佳精度水平相比,新的深度学习模型在python环境ImageNet和谷歌网模型VGG16和《盗梦空间》v3模型产生高精度水平找到上面的表数量。在表3,每个乐队的水平精度分析与样本图像分类精度训练数据集和测试集的准备工作和手动操作分类的分析示例类,以下使用hyperparameter调优:时代10批大小16日学习速率0.001,输入样本精度96.08级。在图9,它代表了提出模型。
下文提及的测试结果分析与谷歌的人工智能web应用程序类1,2,3,乐队正在分析相结合https://teachablemachine.withgoogle.com/。在图10,它代表了提出了工作流与深度学习模型和优化函数过程清楚。
在表4,它代表了样本数据以及各种标记样本类培训和不同进口hyperparameter调优值和批量大小一样,时代,和学习速率0.0001与初始v3和VGG16训练模型,通过导入输入样本精度水平和混淆矩阵类和预测率如图11。
在图12,它代表着每个时代的精度与测试精度比较水平类2示例数据。图13显示了每个时代类3样本数据准确性,和图14显示了合并后的数据集范围显示在图形化水平。
在图15,它代表了每个时代结合测试损失和损失范围水平显示在图。
5。结论和未来的范围
深度学习通过随机优化用于土地覆盖分类。该模型准确率96.08%使用重叠的遥感图片补丁。试验结果表明,该算法执行符合最佳实践。因此,创建一个通用模型,可以用于各种各样的图像数据集。同样,我们将能够把更具体的类等体积更准确。在本研究主要发现合并两个深学习模型初始v3和VGG16亚当优化产生更好的精度水平与现有模型在表2将来,mixed-class群体的隔离范围,它尚未调查与深度学习模型,它可以被认为是未来的研究方向。
数据可用性
的数据支持本研究的结果可在合理的请求。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
作者的个人贡献的手稿应该指定在本节中。第一作者分析和写引言,方法,结果,第二作者引导与相应格式文档的准备和支持数据集接待工作区域。第三和第四作者与比较和相应的作者得出结论,确保完整性和验证过程。