王丽芝;张嘉斌;刘鹏;Choo，Kim Kwang Raymond;黄、方 基于光谱空间多特征的深度学习用于高光谱遥感图像分类。 （英语） Zbl 1381.68300号 软计算。 21，第1期，213-221（2017）. 高光谱遥感具有较强的信息表达能力，为分类提供了更好的支持。针对高光谱数据分类问题，提出了相应的分类方法。然而，他们大多致力于光谱特征提取，这意味着浪费了一些有价值的信息和较差的分类结果。因此，我们应该更加关注多特征。另一方面，由于对分类精度的极端要求，我们应该分层探索更深层的特征。首先考虑的是机器学习，但传统的机器学习分类器，如支持向量机，对较大的输入和特征不友好。本文将主成分分析（PCA）、引导滤波和深度学习结构相结合引入高光谱数据分类中。具体来说，PCA作为一种成熟的降维体系结构，能够降低高光谱信息的冗余度。此外，引导滤波提供了一条简洁有效地获取空间主导信息的通道。根据堆叠式自动编码器这一高效的深度学习架构，深层次的多功能并不神秘。使用两个公共数据集PaviaU和Salinas对该算法进行了测试。实验结果表明，本文提出的光谱空间高光谱图像分类方法具有很好的性能。基于深度学习的多特征学习在高光谱图像分类中显示出巨大的潜力。当样本数为30%且迭代次数大于1000次时，两个数据集的准确率均大于99%。 MSC公司： 68T45型 机器视觉和场景理解 68T05型 人工智能中的学习和自适应系统 关键词：多特征学习;高光谱图像分类;深度学习;遥感 软件：利比亚支持向量机 PDF格式BibTeX公司 XML格式引用 \textit{L.Wang}等人，《软计算》。21，第1号，213--221（2017；Zbl 1381.68300） 全文： 内政部 参考文献： [1] Azar AT，Hassanien AE（2015）使用神经模糊分类器对医学大数据进行降维。软计算19（4）：1115-1127·doi:10.1007/s00500-014-1327-4 [2] Baassou B，He M，Mei S（2013）基于SVM的高光谱图像准确分类方法。In:2013年6月20日至22日在中国开封举行的第21届国际地球信息学会议，第1-7页 [3] Bengio Y，Lamblin P，Popovici D，Larochelle H（2007）深度网络的贪婪分层训练。高级神经信息处理系统19:153 [4] Chang C-C，Lin C-J（2011）LIBSVM：支持向量机库。ACM TIST 2（3）：27 [5] Chen Y，Lin Z，Zhao X，Wang G，Yanfeng G（2014）基于深度学习的高光谱数据分类。IEEE J Sel Top Appl Earth Obs遥感器7（6）：2094-2107·doi:10.1109/JSTARS.2014.2329330 [6] Chen Y，Zhao X，Jia X（2015）基于深度信念网络的高光谱数据的光谱空间分类。IEEE J Sel Top Appl Earth Obs Remote Sens 8（6）：2381-2392·Zbl 1337.11025号 ·doi:10.1109/JSTARS.2015.2388577 [7] Falco N，Benediktsson JA，Bruzzone L（2014）不同独立分量分析算法对高光谱图像分类的有效性研究。IEEE J Sel Top Appl Earth Obs遥感器7（6）：2183-2199·doi:10.1010/JSTARS.2014.2329792 [8] Fauvel M、Benediktsson JA、Chanussot J、Sveinson JR（2008）使用SVM和形态剖面对高光谱数据进行光谱和空间分类。IEEE Trans Geosci遥感器46（11）：3804-3814·doi:10.1109/TGRS.2008.922034 [9] 何坤，孙杰，唐X（2013）引导式图像滤波。IEEE Trans-Pattern Ana Mach Intell 35（6）：1397-1409·doi:10.1109/TPAMI.2012.213 [10] Huang X，Zhang L（2013）一种结合光谱、结构和语义特征的SVM集成方法，用于高分辨率遥感图像的分类。IEEE Trans Geosci遥感器51（1）：257-272·doi:10.1109/TGRS.20122.2202912 [11] Kang X，Li S，Benediktsson JA（2014）带边缘保持滤波的光谱-空间高光谱图像分类。IEEE T Geosci遥感52（5）：2666-2677·doi:10.1109/TGRS.2013.2264508 [12] Ko L-W，Kuo B-C，Lin C-T（2005）高光谱数据分类的最佳非参数加权系统。摘自：《基于知识的智能信息和工程系统学报》，第九届国际会议，KES 2005，澳大利亚墨尔本，2005年9月14日至16日，第一部分，第866-872页 [13] Li J，Bioucas-Dias JM，Plaza A（2013），使用循环信念传播和主动学习对高光谱数据进行光谱空间分类。IEEE Trans Geosci遥感器51（2）：844-856·doi:10.1109/TGRS.20122.2205263 [14] Li J，Bruzzone L，Liu S（2015）高光谱图像分类的深度特征表示。2015年IEEE国际地球科学和遥感研讨会（IGARSS 2015），意大利米兰，2015年7月26日至31日，第4951-4954页 [15] Liu P，Sun S，Li G，Xie J，Zeng Y（2012）利用非局部信息和马尔可夫随机场模型对遥感图像进行无监督变化检测。2012年IEEE国际地球科学和遥感研讨会（IGARSS）。IEEE，第2245-2248页 [16] Lunga D，Prasad S，Crawford MM，Ersoy O（2014）基于流形学习的高光谱数据分类特征提取：流形学习进展综述。IEEE信号处理杂志31（1）：55-66·doi:10.1109/MSP.2013.2279894 [17] Mavrovouniotis M，Yang S（2015）使用蚁群优化算法训练神经网络进行模式分类。软计算19（6）：1511-1522 [18] Melgani F，Bruzzone L（2004）使用支持向量机对高光谱遥感图像进行分类。IEEE Trans Geosci遥感42（8）：1778-1790 [19] Ouma YO，Tetuko J，Tateishi R（2008）高分辨率光学传感器图像中森林和非森林植被区分的共生和离散小波变换纹理分析。国际J遥感29（12）：3417-3456·doi:10.1080/01431160701782 [20] Pearson K（1901）在与空间点系统最接近的直线和平面上。菲洛斯·马格2（11）：559-572·doi:10.1080/1478644109462720 [21] Pesaresi M，Gerhardinger A，Kayitakire F（2008）通过各向异性旋转-变结构测量得出的稳健建成区存在指数。IEEE J Sel Top Appl Earth Obs遥感器1（3）：180-192·doi:10.1109/JSTARS.2008.2002869 [22] Quesada-Barriuso P，Arguello F，Heras DB（2014）使用小波和扩展形态轮廓对高光谱图像进行光谱空间分类。IEEE J Sel Top Appl Earth Obs遥感器7（4）：1177-1185·doi:10.1109/JSTARS.2014.2308425 [23] Richards JA，Jia X（2013）遥感数字图像分析：简介。柏林施普林格·doi:10.1007/978-3642-30062-2 [24] Rumelhart DE、Hinton GE、Williams RJ、Hinton-GE（1986）通过反向传播错误学习表征。自然323:533-536·Zbl 1369.68284号 ·数字对象标识代码：10.1038/323533a0 [25] 孙磊，吴忠，刘杰，肖磊，魏初（2015）用加权马尔可夫随机场监督光谱空间高光谱图像分类。IEEE Trans Geosci遥感53（3）：1490-1503·doi:10.1109/TGRS.2014.2344442 [26] Tan CC，Eswaran C（2008）使用自动编码器神经网络重建手写数字图像。In:2008年加拿大电气和计算机工程会议（CCECE 2008），第000465-000470页 [27] Tarabalka Y、Benediktsson JA、Chanussot J、Tilton JC（2010）高光谱数据光谱空间分类的多分类器方法。摘自：IEEE国际地球科学与遥感研讨会论文集（IGARSS 2010），2010年7月25日至30日，美国夏威夷檀香山，第1410-1413页 [28] Vincent P、Larochelle H、Bengio Y、Manzagol P-A（2008）使用去噪自动编码器提取和合成鲁棒特征。摘自：第25届机器学习国际会议记录（ICML'08），第1096-1103页 [29] Wen J，Tian Z，Liu X，Lin W（2013）用于高光谱图像分类的邻域保持正交pnmf特征提取。IEEE J Sel Top Appl Earth Obs遥感器6（2）：759-768·doi:10.1109/JSTARS.2012.2210276 [30] 夏J，杜P，何X，Chanussot J（2014）基于旋转森林的高光谱遥感图像分类。IEEE Geosci遥感快讯11（1）：239-243·doi:10.1109/LGRS.2013.2254108 [31] 袁浩，唐永年（2016）高光谱图像分类的光谱-空间共享线性回归。IEEE Trans-Cybern PP（99）：1-12 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。