一種航天器圖像分類模型快速學習方法_第1頁
一種航天器圖像分類模型快速學習方法_第2頁
一種航天器圖像分類模型快速學習方法_第3頁
一種航天器圖像分類模型快速學習方法_第4頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

基于深度學習算法的航天器圖像分類在遙感領域得到了廣泛的應用。本文提出一種快速學習方法，以提高分類模型的準確性和效率。該方法測、土地利用、城市規劃等。然而，海量的圖像數據也帶來了一個挑戰，即如何有效地分類這些數據，以提高數據的利用價值。近年來，深度學習技術的發展為圖像分類提供了一種有效的解決方案。深度學習使用神經網絡模型自動學習某些任務所需的特征，并可從訓練數據集中進行預測。卷積神經網絡（CNN）一種模型，它已經在許多圖像分類任務中證明了自己的有效性。CNN的圖像分類模型需要進行大量的訓練才能達到較高CNN模型需要大量的時間和計算資源。因此，對于時間率和效率。該方法首先使用現有的預訓練CNN然后使用支持向量機（）我們選擇了一些最基本的特征來訓練模型，并使用度量學習來減少特征向量的維度。本文的其余部分組織如下。第234節給出了結CNN模型來提取圖像的特征向量。NN可以自動提取適用于給定任務的特定特征。在本文中，我們使用了etVGG16模型，它是一個廣泛使用的卷積神經網絡模型，在許多計算機視覺任務中表現良好。我們使用此模型來提取航天器4096。間隔的分類方法，可以在高維空間中構建超平面來區分兩個不同的類別。給定許多已標注的數據作為訓練樣本，M模型將學習一個由超平面描MatlabSVMtoolbox維度。度量學習的目標是在高維特征空間中學習到數據點之間的相似性，以便將低維嵌入表達為高維特征向量的線性組合。在本文中，我們采用了線性判別分析（LDA）作為度量學習的方法。LDAMatlabLDALDAUCMercedLandUse17種256x256像素，并被標記為不同的土地使用類型。在本實驗中，我們選擇了13種類別進行分類。我們使用了以下四種方法進行比較：（1）預訓練的CNN模型，（2）線性SVM分類器，（3）度量學習LDA和（4）我們提出的方法。對于每1UCMercedLandUse數據集上的分類精度。96.13%的精度，這比1：UCMercedLandUse數據集上的精度比較CNN模型|92.13%線性SVM分類器|89.63%度量學習LDA|94.92%我們提出的方法2UCeedLndUse數據集上的時間成本比較。我們可以看到，我們提出的方法在時間上比其他三種方法都快得多。這是因為我們使用了度量學習來減少特征向量的維度，并使分類器更容2：UCMercedLandUseCNN模型|150.32線性SVM分類器|89.21我們提出的方法本文提出了一種基于深度學習算法的航天器圖像分類模型的快速學CNN模型提取圖像的特征向量，

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論