基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax (准确率比较低,17年的论文)
2018-02-07 22:30
316 查看
论文地址基于深度神经网络的高光谱影响分类方法研究装备学院学报遥感影像分类的问题:预处理复杂,高维特征提取困难,分类不够精确等缺陷
首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与softmax多想逻辑回归分类器组合成含有多隐藏层的神经网络,对高光谱影像进行非监督型深度特征提取与分类。
0、引言
高光谱影像分类问题:低空间分辨率导致混合像元现象、波段间高相似性导致Hughes现象、端元与光谱不对应导致数据结构高度非线性等原因,使得高光谱影像数据一致都是具有挑战性的热点问题
监督学习、半监督学习、非监督学习
但是监督学习会面临下面的问题:
1.实际问题中标签数据稀缺,难以方便获得
2.求解高度非凸优化问题时会存在大量局部极值
3.使用梯度下降法时会发生弥散问题
非监督多隐藏层的自动编码器深度神经网络算法
1.MNF方法和自动编码器基本原理
1.1 MNF方法
不同波段下的高光谱影像组合成一个数据立方体,每一幅影像中像元记录的是对应瞬时视场(IFOV)内地物的辐射信息,每个像元在不同波段中的辐射信息组成了一个连续光谱曲线。
为什么在数据处理之前通常对数据维度做一些预处理呢?
在狭长的带宽中存在数百个频带,且相邻频带之间具有高相关性,导致了信息冗余与高维数据处理困难等问题,还会产生Hughes现象。
因此在分类之前需要对高光谱影像进行降维预处理,即对高维度影像信息用低维数据数据来简单表征,在降低数据量的同时优化地物的特征提取。
![](https://oscdn.geek-share.com/Uploads/Images/Content/201911/11/99f67f3a9aef07bd26faaa8b7942e784)
MNF(最小噪声分离变换,在ENVI中可以实现的操作)变化实现降维,基本原理是通过正交线性变换将所有波段的数投影到新的特征空间中是彼此互不相关,并按照个影像质量由大到小排列各成分,影像质量的衡量标准是信噪比。
1.2 自动编码器
![](https://oscdn.geek-share.com/Uploads/Images/Content/201911/11/e2f1fb493394e779af0c1ff312fc8152)
无监督学习目的就是让输出y接近输入x,可以模拟x,注意没有标签的,只是让输出y代替输入x。
2.算法设计
增加隐藏层层数显然要比直接增加隐藏层神经元数量更加有效。
特征提取:
输入
设计网络 激活函数
损失函数 交叉熵损失代价函数 优化器
BP反向传播 更新权重
自动编码器最后一层输出,即对原始输入数据最高阶的特征表达
分类器:
Softmax回归模型 (根据所给的样本值来推断属于某一类的概率)
步骤:
1.MNF变化
2.初始化参数
3.训练自动编码器
4.softmax分类
5.BP网络调整权重参数(我发现BP网络就是附带反向传播算法的网络,通常在自动编码器最后设置一层,但是就目前主流的cnn而言,是不存在这个问题,在框架中直接使用卷积神经网络)
3.实验结果
3.1 实验测试集
Indian Pines
Pavia
3.2 实验结果与分析
0.2用于训练,0.8测试
Indian Pines :1个输入层、2个隐藏层、一个输出层。
180 120、120 16
Lr=0.05
预训练80次,微调200次?(这个怎么调次数?)
Pavia: 1个输入层、4个隐藏层、 1个输出层
90 70、70、70、70 9
Lr=0.05
预训练80次,微调200次
平均分类准确率:(这个算是很低了)
90.54%,88.44%
首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与softmax多想逻辑回归分类器组合成含有多隐藏层的神经网络,对高光谱影像进行非监督型深度特征提取与分类。
0、引言
高光谱影像分类问题:低空间分辨率导致混合像元现象、波段间高相似性导致Hughes现象、端元与光谱不对应导致数据结构高度非线性等原因,使得高光谱影像数据一致都是具有挑战性的热点问题
监督学习、半监督学习、非监督学习
但是监督学习会面临下面的问题:
1.实际问题中标签数据稀缺,难以方便获得
2.求解高度非凸优化问题时会存在大量局部极值
3.使用梯度下降法时会发生弥散问题
非监督多隐藏层的自动编码器深度神经网络算法
1.MNF方法和自动编码器基本原理
1.1 MNF方法
不同波段下的高光谱影像组合成一个数据立方体,每一幅影像中像元记录的是对应瞬时视场(IFOV)内地物的辐射信息,每个像元在不同波段中的辐射信息组成了一个连续光谱曲线。
为什么在数据处理之前通常对数据维度做一些预处理呢?
在狭长的带宽中存在数百个频带,且相邻频带之间具有高相关性,导致了信息冗余与高维数据处理困难等问题,还会产生Hughes现象。
因此在分类之前需要对高光谱影像进行降维预处理,即对高维度影像信息用低维数据数据来简单表征,在降低数据量的同时优化地物的特征提取。
MNF(最小噪声分离变换,在ENVI中可以实现的操作)变化实现降维,基本原理是通过正交线性变换将所有波段的数投影到新的特征空间中是彼此互不相关,并按照个影像质量由大到小排列各成分,影像质量的衡量标准是信噪比。
1.2 自动编码器
无监督学习目的就是让输出y接近输入x,可以模拟x,注意没有标签的,只是让输出y代替输入x。
2.算法设计
增加隐藏层层数显然要比直接增加隐藏层神经元数量更加有效。
特征提取:
输入
设计网络 激活函数
损失函数 交叉熵损失代价函数 优化器
BP反向传播 更新权重
自动编码器最后一层输出,即对原始输入数据最高阶的特征表达
分类器:
Softmax回归模型 (根据所给的样本值来推断属于某一类的概率)
步骤:
1.MNF变化
2.初始化参数
3.训练自动编码器
4.softmax分类
5.BP网络调整权重参数(我发现BP网络就是附带反向传播算法的网络,通常在自动编码器最后设置一层,但是就目前主流的cnn而言,是不存在这个问题,在框架中直接使用卷积神经网络)
3.实验结果
3.1 实验测试集
Indian Pines
Pavia
3.2 实验结果与分析
0.2用于训练,0.8测试
Indian Pines :1个输入层、2个隐藏层、一个输出层。
180 120、120 16
Lr=0.05
预训练80次,微调200次?(这个怎么调次数?)
Pavia: 1个输入层、4个隐藏层、 1个输出层
90 70、70、70、70 9
Lr=0.05
预训练80次,微调200次
平均分类准确率:(这个算是很低了)
90.54%,88.44%
相关文章推荐
- 高光谱遥感影像分类研究进展 --- (15年论文,方法主要是常规处理,但是写的比较细)
- 高光谱遥感图像空谱联合分类方法研究--基于光谱,空间,空谱的DBN+LR
- DNS通道检测 国内学术界研究情况——研究方法:基于特征或者流量,使用机器学习决策树分类算法居多
- 2018-3-5 (论文—网络评论中结构化信息处理的应用于研究)笔记三(互信息,信息增益,期望交叉熵,基于词频的方法,CHI统计)
- 用户研究:基于用户尺度评价的人物角色分类方法与实践
- 推荐一篇博士论文-基于稀疏编码的视觉目标跟踪方法研究
- 基于多特征集成的图像自动标注方法研究
- DNS通道检测 国外学术界研究情况——研究方法:基于流量,使用机器学习分类算法居多,也有使用聚类算法的;此外使用域名zif low也有
- 基于贝叶斯方法的英文单词模糊自动校对技术及其应用研究
- 基于PCA和SVM的高光谱遥感图像分类研究
- [论文笔记](东北大学)基于组合服务执行信息的服务选取方法研究(计算机学报, 2008)
- 基于中文语义词典的语义相关度量方法比较研究
- 高光谱遥感影像空谱特征提取与分类 方法研究
- 基于向量空间模型的文本自动分类系统的研究与实现
- 重磅 | 周志华最新论文:首个基于决策树集成的自动编码器,表现优于DNN
- 论文笔记:基于视觉显著性检测的图像分类方法
- 高光谱图像中的目标探测(三) | 正交子空间投影和CEM方法(约束能量最小化)的比较研究
- 重磅 | 周志华最新论文:首个基于决策树集成的自动编码器,表现优于DNN
- [原]基于体裁的中文网页自动分类的研究与实现
- 基于热点短信息分类的研究与实现-2008年硕士论文答辩PPT