研究目的
为解决随机采样策略与光谱-空间及像素级分类器(如三维卷积神经网络3D CNN)结合使用时产生的问题,并基于基于密度的聚类算法(DBSCAN)提出改进的采样策略,以最小化训练集与测试样本独立性假设被违反的情况。
研究成果
该研究证实,由于系统性偏差的引入(尤其是针对当前最先进的卷积神经网络及其感受野中的空间重叠问题),随机采样方法违背了独立性假设。采用DBSCAN聚类算法提出的采样方法能最小化此类偏差,使得对未见测试数据的分类准确度更接近实际样本外性能。研究结果表明,在遥感分类问题中应更广泛地采用非随机采样方法。
研究不足
该研究仅限于印度松数据集,且在将聚类区域分割为训练集和测试集之前采用指标时,所提出的采样策略可能引入偏差。研究结果在其他数据集上的普适性以及所提出的区域排序指标对分类器性能的影响尚需进一步探究。
1:实验设计与方法选择:
本研究评估了不同采样策略对基于3D卷积神经网络进行像素级图像分类性能的影响。提出两种基于DBSCAN的改进采样策略,以最小化训练样本与测试样本间独立性假设的违背。
2:样本选择与数据来源:
实验采用AVIRIS传感器获取的印度松全区域高光谱数据集。
3:实验设备与材料清单:
实验在于利希超算中心的JURON试点系统上进行,使用Keras库(2.0.8)及TensorFlow(1.3.0)后端。
4:8)及TensorFlow(0)后端。
实验流程与操作步骤:
4. 实验流程与操作步骤:所设计的3D卷积神经网络用于高光谱图像像素级分类,以空间-光谱张量为输入,包含卷积层、最大池化层、全连接层和softmax层。
5:数据分析方法:
基于总体分类精度和Kappa系数评估分类结果。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容