×
Rusyn，B.P。;O.A.卢塞克。;科萨雷维奇，R.Y。

通过深度学习方法评估图像分类训练样本的信息性。 （英语。俄文原件） Zbl 07485083号

赛博。系统。分析。 57，第6号，853-863（2021）; 翻译自Kibern。修女。分析。57，第6期，第13-24页（2021年）。
摘要：提出了一种在识别遥感图像时评估训练样本信息性的新方法。研究表明，训练样本的信息性可以用一组特征来表示，其中每个特征都描述了特定的数据属性。建立了训练样本特征与基于该样本训练的分类器准确度之间的依赖关系。将该方法应用于各种测试训练样本，并给出了它们的评估结果。当使用新方法评估训练样本时，该过程比训练神经网络的过程快得多。这使得我们可以在深度学习方法的图像识别问题中使用所提出的方法对训练样本进行初步估计。

MSC公司：

68泰克 人工智能
62Bxx号 充分性和信息
62件 统计学的应用

关键词：

深度学习;特征选择;训练样本;卷积神经网络

软件：

PRMLT公司
PDF格式BibTeX公司 XML格式引用
\textit{B.P.Rusyn}等人，Cybern。系统。分析。57，编号6，853--863（2021；Zbl 07485083）；翻译自Kibern。修女。分析。57、第6、13--24号（2021年）
全文： 内政部

参考文献：

[1] A.Khan、A.Sohail、U.Zahoora和A.Qureshi，“深度卷积神经网络最近架构的调查”，Artif。智力。修订版，第53卷，第。8. 5455-5516 (2020). 2007年10月10日/10462-020-09825-6。
[2] B.P.Rusyn、V.A.Tayanov和O.A.Lutsyk，“基于差异函数的分类器上限估计”，Cybern。系统。《分析》，第48卷，第4期，592-600（2012年）。2007年10月10日/10559-012-9439-2·兹比尔1307.68076
[3] V.P.Boyun，“组织图像中对象搜索、跟踪对象和基于人的视觉感知选择信息特征的原则”，收录于：S.Babichev、D.Peleshko、O.Vynokurova（编辑），数据流挖掘与处理（DSMP 2020），《计算机与信息科学通信》，第1158卷，查姆斯普林格（2020），第22-44页。10.1007/978-3-030-61656-4_2.
[4] V.Vapnik，《统计学习理论的本质》，Springer-Verlag，纽约（2000年）·Zbl 0934.62009号
[5] C.M.Bishop，模式识别和机器学习，Springer-Verlag，纽约（2006）·Zbl 1107.68072号
[6] Y.Chen，Z.Lin，X.Zhao，G.Wang，Y.Gu，“基于深度学习的高光谱数据分类”，IEEE J.《应用地球观测和遥感选定主题》，第7卷，第。6, 2094-2107 (2014). 10.1109/JSTARS.2014.2329330。
[7] L.Ma、Y.Liu、X.Zhang、Y.Ye、G.Yin和B.A.Johnson，“遥感应用中的深度学习：荟萃分析和综述”，《摄影测量与遥感国际战略研究学会期刊》，第152卷，第166-177页（2019年）。2016年10月10日/j.isprsjprs.2019.04.015。
[8] Y.Li，H.Zhang，X.Xue，Y.Jiang，和Q.Shen，“遥感图像分类的深度学习：调查”，WIREs Data Mining Knowl。发现。，第8卷，第。6 (2018). 10.1002/宽1264。
[9] G.Cheng，X.Xie，J.Han，L.Guo，and G.Xia，“遥感图像场景分类遇到深度学习：挑战、方法、基准和机遇”，IEEE J.《应用地球观测和遥感选定主题》，第13卷，3735-3756（2020）。10.1109/JSTARS.2020.3005403。
[10] M.Hoque，R.Burks，C.Kwan，J.Li，“遥感图像超分辨率的深度学习”，摘自：Proc。2019年IEEE第十届年度普及计算、电子与移动通信大会（UEMCON）（2019年10月10日至12日，美国纽约州纽约市），IEEE（2019），第286-292页。10.1109/UEMCON47517.2019.8993047。
[11] T.G.Van Niel、T.R.McVicar和B.Datt，“关于训练样本大小和数据维度之间的关系：宽带多时相分类的蒙特卡罗分析”，《环境遥感》，第98卷，第。4, 468-480 (2005). 2016年10月10日/j.rse.2005.08.011。
[12] Q.Zou，L.Ni，T.Zhang和Q.Wang，“基于深度学习的遥感场景分类特征选择”，IEEE地球科学与遥感快报，第12卷，第2期。11, 2321-2325 (2015). 10.1109/LGRS.20155.2475299。
[13] S.Hinterstoisser、V.Lepetit、P.Wohlhart和K.Konolige，“关于用于深度学习的预处理图像特征和合成图像”，载于：L.Leal-Taix_and.S.Roth（编辑），《计算机视觉-ECCV 2018研讨会》，ECCV 2018；计算机科学讲义，第11129卷，查姆施普林格（2018），第682-697页。10.1007/978-3-030-11009-3_42.
[14] B.Genc和H.Tunc，“机器学习的最佳训练和测试集设计”，Turk.J.Elec.Eng.&Comp。科学。，第27卷，1534-1545（2019）。10.3906/elk-1807-212。
[15] S.Dodge和L.Karam，“理解图像质量如何影响深层神经网络”，摘自：Proc。2016年第八期实习生。多媒体体验质量会议（葡萄牙里斯本，2016年6月6-8日），IEEE（2016）。10.1109/QoMEX.2016.7498955。
[16] G.Cheng、C.Yang、X.Yao、L.Guo和J.Han，“当深度学习遇到度量学习时：通过学习区分CNN进行遥感图像场景分类”，IEEE Trans。《地球科学与遥感》，第56卷，第5期，2811-2821（2018）。10.1109吨/克。2017年27月83902日。
[17] X.Ma、J.Geng和H.Wang，“通过上下文深度学习进行高光谱图像分类”，《图像视频处理杂志》。2015年，第20条（2015）。10.1186/s13640-015-0071-8。
[18] S.A.Subbotin，“神经网络学习的训练集质量度量”，Opt。内存。神经网络，第19卷，第。2, 126-139 (2010). 10.3103/S1060992X10020037。
[19] R.Forsati、A.Moayedikia和B.Safarkhani，“解决特征选择问题的启发式方法”，摘自：H.Cherifi、J.M.Zain和E.El-Qawasmeh（编辑），《数字信息和通信技术及其应用》，DICTAP 2011；《计算机和信息科学中的通信》，第167卷，施普林格，柏林-海德堡（2011），第707-717页。10.1007/978-3-642-22027-2_59.
[20] K.Huang和S.Aviyente，“图像分类的小波特征选择”，IEEE Trans。图像处理，第17卷，第。9, 1709-1720 (2008). 10.1109/TIP.2008.2001050。
[21] J.Muschelli，“具有二进制预测值的ROC和AUC：一个潜在的误导性指标”，J.Classif。，第37卷，第。3, 696-708 (2020). 2007年10月7日/00357-019-09345-1·Zbl 07300768号
[22] D.I.Belov和R.D.Armstrong，“Kullback-Leibler散度的分布及其应用”，《英国数学与统计心理学杂志》，第64卷，第。2, 291-309 (2011). 10.1348/000711010X522227·Zbl 1218.62126号
[23] R.C.Prati、G.E.A.A.Batista、M.C.Monard，“阶级不平衡与阶级重叠：学习系统行为分析”，载于：R.Monroy、G.Arroyo-Figueroa、L.E.Sucar和H.Sossa（编辑），《2004年MICAI：人工智能进展》，MICAI 2004；计算机科学讲义，第2972卷，施普林格，柏林-海德堡（2004），第312-321页。10.1007/978-3-540-24694-7_32.
[24] M.Shepperd和M.Cartwright，《稀疏数据预测》，摘自：Proc。第七届IEEE实习生。软件度量交响曲。（英国伦敦，2001年4月4日至6日），IEEE（2001），第28-39页。10.1109/METRIC.2001.915513。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。