研究目的
为解决高光谱图像分类中标记训练样本有限的问题,提出一种深度迁移学习模型,通过构建并连接源域与目标域之间的高层特征来克服跨域差异,且无需目标域的先验知识。
研究成果
提出的DTLM方法通过利用深度神经网络和典型相关分析,有效解决了高光谱图像分类中的语义鸿沟问题,在无需目标域标注样本的情况下实现了高精度分类。该方法在遥感迁移学习领域展现出应用前景,但目前仅适用于二分类任务,未来需进一步扩展至多分类并拓宽应用范围。
研究不足
当前框架仅适用于二分类任务,可能无法直接扩展至多分类场景。该方案需谨慎调整参数(如网络层数和神经元数量),这些参数会影响性能表现。该方法仅在特定数据集(华盛顿购物中心与帕维亚大学)上测试过,其对其他高光谱或非高光谱数据集的泛化能力尚未得到充分验证。
1:实验设计与方法选择:
本研究采用基于深度映射的异构迁移学习模型(DTLM),在源域和目标域均使用堆叠自编码器(SAE),每层通过典型相关分析(CCA)关联特征,并通过反向传播微调网络。最终在公共子空间上使用支持向量机(SVM)分类器进行分类。
2:样本选择与数据来源:
使用两个高光谱图像数据集——华盛顿特区商场区域2(目标域)和帕维亚大学(源域),具体样本数、波段数和类别数详见论文。迁移样本从这些数据集中选取。
3:实验设备与材料清单:
论文中未明确提及;假设为数据处理和神经网络训练的标准计算设备。
4:实验流程与操作步骤:
包括为源域和目标域设置SAE,应用CCA关联隐藏层,迭代微调网络以最小化重建误差并最大化相关性,将数据投影到公共子空间,并使用SVM分类。实验重复100次,采用随机训练/测试划分以避免偏差。
5:数据分析方法:
使用总体分类准确率评估性能,结果取100次运行的平均值。对神经元数量和层数进行参数敏感性测试。
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