小样本条件下的半监督遥感影像分类方法研究
何湜; 程结海; 王世东; 王雅萍
【期刊名称】《青海科技》 【年(卷),期】2020(027)001
【摘要】遥感图像监督分类需要充足精确的标注数据训练分类器,然而数据标注需要人工参与,很多任务难以及时获得符合要求的监督信息,不利于影像分类.半监督学习是一种利用少量标注数据和大量未标注数据共同训练分类器的机器学习方法,能从机理上减少人工参与,提高效率.本文引入一种半监督方法——平方损失互信息归一化模型(squared-loss mutual information regularization,SMIR)实现遥感图像分类.实验结果表明,在小样本监督信息的条件下,SMIR能够利用标注数据与未标注数据,直接构建多类分类器,其影像分类结果优于经典的支持向量机(support vector machine,SVM)方法. 【总页数】4页(28-31)
【关键词】遥感图像分类; 半监督学习; 机器学习; SMIR 【作者】何湜; 程结海; 王世东; 王雅萍
【作者单位】河南理工大学测绘与国土信息工程学院 焦作 454000 【正文语种】中文 【中图分类】 【相关文献】
1.基于正样本和未标记样本的遥感图像分类方法 [J], 裔阳; 周绍光; 赵鹏飞; 胡屹群
2.无人工样本的SVM遥感图像分类方法 [J], 李俊; 陈善学; 冯银波
3.小样本条件下的机械噪声源识别方法 [J], 崔立林; 朱海潮; 章林柯; 何琳; 栾瑞鹏
4.小样本条件下可靠寿命的蒙特卡罗评估方法 [J], 金星; 彭博; 鲁海; 常浩 5.小样本条件下装备寿命分布研究 [J], 王新鹏; 张静远; 刘洋
以上内容为文献基本信息,获取文献全文请下载
小样本条件下的半监督遥感影像分类方法研究
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)
![](/skin/haowen/images/icon_star.png)