欢迎来到天天文库
浏览记录
ID:21880158
大小:2.07 MB
页数:77页
时间:2018-10-25
《基于半监督学习的遥感影像分类》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、申请上海交大大学硕士论文基于半监督学习的遥感影像分类学校:上海交通大学院系:电子信息与电气工程学院班级:B0703293学号:1070329116工学硕士:杨伟工程领域:模式识别与智能系统导师:方涛(教授)上海交通大学电子信息与电气工程学院2009年12月ADissertationSubmittedtoShanghaiJiaoTongUniversityfortheDegreeofPhilosophyMasterRemoteSensingImageClassificationBasedonSemi-supervisedLearni
2、ngAuthor:WeiYangSpecialty:PatternRecognition&IntelligenceSystemAdvisor:Prof.TaoFangSchoolofElectronicsandElectricEngineeringShanghaiJiaoTongUniversityShanghai,P.RChinaDecember20,2009基于半监督学习的遥感影像分类摘要分类器所使用的学习方法是模式识别中最重要的内容之一。传统的学习方法主要是全监督学习,需要大量标注样本进行训练学习,适用于易获得标注样本的应用
3、。在遥感领域,样本标注需要花费大量的人力物力,且目视解译很易标注出错。为了尽可能准确的识别出未标注样本,提高分类精度,需要对大量样本进行人工标注,提高目视解译准确率,非常耗时耗力。针对上述情况,本文引入半监督学习方法,只需少量已标注样本,大大减小了标注样本所需的人力物力,减小了标注出错率,有效地将少量已标注样本与大量未标注样本结合起来。分别应用自我训练和协同训练,低密度分割,首先利用少量已标注样本进行训练学习,建立初始分类器,然后利用大量未标注样本不断新分类器,从而提高分类器的性能。本文用不同的方法对同一批次的遥感影像数据进行了大
4、量实验:运用基于朴素贝叶斯的全监督学习方法,与基于自我学习与协同学习的半监督学习方法进行比较,引入低密度分割进行影像的分类实验。实验结果表明,引入半监督学习后,当标注样本与非标注样本比例在一定比例范围时,半监督学习可以利用比全监督学习少的标注样本,达到比全监督学习高的分类精度,具有一定的研究和实用意义。关键词:半监督学习,遥感影像分类,朴素贝叶斯,自我学习,协同学习,低密度分割第I页RemoteSensingImageClassificationBasedonSemi-supervisedLearningAbstractLearn
5、ingmethodsclassifierusedisoneofthemostimportantpartsinPatternRecognition.Intraditionallearningmethods,Supervised-Learningismainlyused.Mostlyusedinthefieldwherelabeledsamplesareeasytoget,itneedsalargeamountoflabeledsamplestolearnfrom.Inthefieldofremotesensing,it’sdiffi
6、culttogetsampleslabeled,andincorrectinformationareeasilybroughtinbecauseofvisualinterpretation.Inordertoidentifyunlabeledsamplesasaccuratelyaspossibleandtoimproveclassificationaccuracy,weneedtolabelalargenumberofsamplesandimprovevisualinterpretationaccuracy,whichisver
7、ytime-consumingandlabor-intensive.Inresponsetoaboveproblems,thispaperintroducesSemi-SupervisedLearning,Itonlyneedsasmallnumberoflabeledsamples,togetherwithalargenumberofunlabeledsamples,whichgreatlyreducestimeandlaborcost.BasedonSelf-Training,Co-TrainingandLowDensityS
8、eparation,firstbuildsinitialclassifiersusinglabeledsamples,then第II页improvethemselvesusingunlabeledsamplesrecursively.Alotofe
此文档下载收益归作者所有