一種航天器圖像分類(lèi)模型快速學(xué)習(xí)方法

基于深度學(xué)習(xí)算法的航天器圖像分類(lèi)在遙感領(lǐng)域得到了廣泛的應(yīng)用。本文提出一種快速學(xué)習(xí)方法，以提高分類(lèi)模型的準(zhǔn)確性和效率。該方法測(cè)、土地利用、城市規(guī)劃等。然而，海量的圖像數(shù)據(jù)也帶來(lái)了一個(gè)挑戰(zhàn)，即如何有效地分類(lèi)這些數(shù)據(jù)，以提高數(shù)據(jù)的利用價(jià)值。近年來(lái)，深度學(xué)習(xí)技術(shù)的發(fā)展為圖像分類(lèi)提供了一種有效的解決方案。深度學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)模型自動(dòng)學(xué)習(xí)某些任務(wù)所需的特征，并可從訓(xùn)練數(shù)據(jù)集中進(jìn)行預(yù)測(cè)。卷積神經(jīng)網(wǎng)絡(luò)（CNN）一種模型，它已經(jīng)在許多圖像分類(lèi)任務(wù)中證明了自己的有效性。CNN的圖像分類(lèi)模型需要進(jìn)行大量的訓(xùn)練才能達(dá)到較高CNN模型需要大量的時(shí)間和計(jì)算資源。因此，對(duì)于時(shí)間率和效率。該方法首先使用現(xiàn)有的預(yù)訓(xùn)練CNN然后使用支持向量機(jī)（）我們選擇了一些最基本的特征來(lái)訓(xùn)練模型，并使用度量學(xué)習(xí)來(lái)減少特征向量的維度。本文的其余部分組織如下。第234節(jié)給出了結(jié)CNN模型來(lái)提取圖像的特征向量。NN可以自動(dòng)提取適用于給定任務(wù)的特定特征。在本文中，我們使用了etVGG16模型，它是一個(gè)廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)模型，在許多計(jì)算機(jī)視覺(jué)任務(wù)中表現(xiàn)良好。我們使用此模型來(lái)提取航天器4096。間隔的分類(lèi)方法，可以在高維空間中構(gòu)建超平面來(lái)區(qū)分兩個(gè)不同的類(lèi)別。給定許多已標(biāo)注的數(shù)據(jù)作為訓(xùn)練樣本，M模型將學(xué)習(xí)一個(gè)由超平面描MatlabSVMtoolbox維度。度量學(xué)習(xí)的目標(biāo)是在高維特征空間中學(xué)習(xí)到數(shù)據(jù)點(diǎn)之間的相似性，以便將低維嵌入表達(dá)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(xué)習(xí)的方法。LDAMatlabLDALDAUCMercedLandUse17種256x256像素，并被標(biāo)記為不同的土地使用類(lèi)型。在本實(shí)驗(yàn)中，我們選擇了13種類(lèi)別進(jìn)行分類(lèi)。我們使用了以下四種方法進(jìn)行比較：（1）預(yù)訓(xùn)練的CNN模型，（2）線性SVM分類(lèi)器，（3）度量學(xué)習(xí)LDA和（4）我們提出的方法。對(duì)于每1UCMercedLandUse數(shù)據(jù)集上的分類(lèi)精度。96.13%的精度，這比1：UCMercedLandUse數(shù)據(jù)集上的精度比較CNN模型|92.13%線性SVM分類(lèi)器|89.63%度量學(xué)習(xí)LDA|94.92%我們提出的方法2UCeedLndUse數(shù)據(jù)集上的時(shí)間成本比較。我們可以看到，我們提出的方法在時(shí)間上比其他三種方法都快得多。這是因?yàn)槲覀兪褂昧硕攘繉W(xué)習(xí)來(lái)減少特征向量的維度，并使分類(lèi)器更容2：UCMercedLandUseCNN模型|150.32線性SVM分類(lèi)器|89.21我們提出的方法本文提出了一種基于深度學(xué)習(xí)算法的航天器圖像分類(lèi)模型的快速學(xué)CNN模型提取圖像的特征向量，