資源描述：
《基于主動深度學習的遙感圖像分類》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、碩士學位論文MASTER’SDISSERTATION論文題目基于主動深度學習的遙感圖像分類作者姓名左亞青學科專業(yè)模式識別與智能系統(tǒng)指導教師胡碩講師2016年5月中圖分類號：TP391學校代碼：10216UDC：621.3密級：公開工學碩士學位論文基于主動深度學習的遙感圖像分類碩士研究生：左亞青導師：胡碩講師申請學位：工學碩士學科專業(yè)：模式識別與智能系統(tǒng)所在單位：電氣工程學院答辯日期：2016年5月授予學位單位：燕山大學ADissertationinPatternRecognitionandIntelligentSystemAREMOTESENSINGIMA
2、GECLASSIFICATIONBASEDONACTIVEDEEPLEARNINGbyZuoYaqingSupervisor：LecturerHushuoYanshanUniversityMay,2016燕山大學碩士學位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學位論文《基于主動深度學習的遙感圖像分類》，是本人在導師指導下，在燕山大學攻讀碩士學位期間獨立進行研究工作所取得的成果。論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對本文的研究工作做出重要貢獻的個人和集體，均已在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔。作者簽字：日期：年月
3、日摘要摘要隨著遙感圖像在社會生活和經(jīng)濟建設(shè)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(shù)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，
4、在機器學習領(lǐng)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(luò)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(luò)的研究，深度學習通過多層神經(jīng)網(wǎng)絡(luò)分析和解釋數(shù)據(jù)，解決深層結(jié)構(gòu)相關(guān)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
5、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。引入主動學習加入到稀疏自編碼框架中是為了通過主動學習來增加訓練樣本的數(shù)量，提高分類器性能，從而提高稀疏自編碼的分類精度，為了驗證兩者結(jié)合的效果與稀疏自編碼加隨機和SVM加主動學習方法進行了對比實驗。此外，在這兩組實驗中還測試了參數(shù)的敏感性。實驗結(jié)果表明：在遙感圖像的分類中，在訓練樣本一致的前提下，SVM通常是略優(yōu)于SAE；不過不論對SAE還是SVM，加入主動學習算法以后兩者的分類精度都有提高。
6、關(guān)鍵詞：深度學習；主動學習；支持向量機；稀疏自編碼-I-燕山大學工學碩士學位論文AbstractWiththeconstantimprovementoftheremotesensingimageresolution,thereisanurgentrequestfromremotesensingimagetogetmoreusefuldataandinformation,theclassificationofremotesensingimageplaysanincreasinglyimportantroleinthesociallifeandeconomic
7、construction.However,forremotesensingimages,itdoesn'texistalargenumberoftagsamplesinreallife.Makingthesampleisnotonlytime-consumingbutveryexpensive.Butwiththeconstantimprovementoftheacquisitiontechnology,itisbecomingmoreandmoreeasytoobtainalargenumberofunmarkedsamples.Soinordertoi
8、mprovetheclassificationperformanc
