基于主動深度學習的遙感圖像分類.pdf

1、隨著遙感圖像在社會生活和經(jīng)濟建設中的地位越來越重要，遙感圖像分辨率也在逐步提高，如何從遙感圖像獲得更多有用的數(shù)據(jù)和信息變得極為迫切。在社會生活中，從遙感圖像中獲取大量的標記樣本是不現(xiàn)實的，但是隨著技術的不斷發(fā)展，對未標記樣本的采集工作顯得輕而易舉，專家不必花費大量的人力物力對未標記樣本進行標記。因此，提高遙感圖像的分類性能更多考慮如何充分利用有限的標記樣本和大量的未標記樣本，主動學習可以有效解決這個問題。主動學習算法通過依次迭代更新，從

2、未標記樣本中尋找含有最大信息量的樣本，在有限的時間和資源的前提下，構(gòu)造有效訓練集，從而提高分類算法的效率。目前，在機器學習領域，主動學習已成為一個熱門研究問題。
　　深度學習致力于建立模擬人腦分析學習機制的多層次神經(jīng)網(wǎng)絡的建模和算法學習的研究問題，它的概念源于人工神經(jīng)網(wǎng)絡的研究，深度學習通過多層神經(jīng)網(wǎng)絡分析和解釋數(shù)據(jù)，解決深層結(jié)構(gòu)相關的優(yōu)化難題。
　　在深度學習中，一種常用的模型是稀疏自編碼模型(SAE)。它在尋找數(shù)據(jù)高維特

3、征同時通過稀疏正則項使得尋找到的特征具有稀疏性，不僅能保證取出的特征能夠消除冗余，而且具有很好的表示能力。本文利用稀疏自編碼結(jié)合主動學習模型中的nEQB來對遙感圖像進行分類。該方法先利用稀疏自編碼對訓練樣本進行訓練得到初始分類器，接下來用主動學習把未標注樣本集中最富有信息量的樣本挑選出來交給專家對樣本所屬的屬性或者類別加以標注，把標記好的樣本重新加入到訓練樣本中，同時將標記好的樣本從未標記樣本中剔除，如此迭代更新分類器。
　　引入