研究目的
设计一种模型,该模型尽可能少地使用标注样本,并通过基于极限学习机(ELM)的主动学习(AL)方法减少高光谱图像(HSI)分类的计算时间。
研究成果
与SVM-AL方法相比,所提出的ELM-AL方法在保持相当分类精度的同时显著减少了计算时间。结果表明,ELM分类器可进一步应用于其他现有主动学习方法,且通过在ELM分类器中集成核函数可提升分类精度。
研究不足
该研究聚焦于在保持分类准确率的同时降低计算时间,但基于极限学习机(ELM)方法的分类准确率略低于基于支持向量机(SVM)的方法。其性能取决于ELM中的激活函数和隐藏节点数量。
1:实验设计与方法选择:
本研究提出了一种基于极限学习机(ELM)的高光谱图像(HSI)分类主动学习方法,从分类精度和计算时间两方面与基于支持向量机(SVM)的主动学习进行对比。分析了两种查询策略:随机采样和自适应最大分歧多视图策略(MV-AMD)。
2:样本选择与数据来源:
使用肯尼迪航天中心(KSC)和博茨瓦纳(BOT)两个高光谱数据集。经过预处理后,将数据集划分为训练集和测试集,初始训练样本从每个类别中随机选取。
3:实验设备与材料清单:
实验在搭载i3-4130 CPU@3.40GHz的Matlab-2016环境中进行?;赟VM的主动学习采用遥感主动学习工具箱(ALTB)实现,基于ELM的主动学习通过将ALTB中的SVM替换为ELM实现。
4:40GHz的Matlab-2016环境中进行?;赟VM的主动学习采用遥感主动学习工具箱(ALTB)实现,基于ELM的主动学习通过将ALTB中的SVM替换为ELM实现。
实验流程与操作步骤:
4. 实验流程与操作步骤:利用基于相关性的聚类方法将数据集分割为五个互不重叠的特征子集(视图),为每个视图构建ELM模型,并通过最大分歧查询函数选择信息量大的样本。重复该过程直至满足预设停止标准。
5:数据分析方法:
基于训练集样本数与总体精度的曲线以及计算时间评估性能。实验重复20次(使用不同初始训练集),并记录平均执行时间。
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