基于SMOTE和深度迁移卷积神经网络的多类不平衡遥感图像分类算法研究

TP701; 在遥感图像分类实际应用中,深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题,难以发挥优势.基于上述问题,提出一个基于人工少数类过采样方法(synthetic minority oversampling technique,SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法.所提算法创新性地采用深度迁移学习,使算法能够学习不同时空相同地物的相似性,并利用SMOTE方法对学习数据进行类分布空间优化平衡,从而解决 目标域数据不足和数据类不平衡问题.两组公开的高光谱遥感图像被用来验证所提算法的有效性.实验结果表明,相比传统的深度学习,所提算法能够更...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 45; no. 12; pp. 3715 - 3725
Main Authors 冯伟, 龙以君, 全英汇, 邢孟道
Format Journal Article
LanguageChinese
Published 西安电子科技大学电子工程学院,陕西西安 710071%西安电子科技大学前沿交叉研究院,陕西西安 710071 01.12.2023
Subjects
transfer learning
机器学习
data mining
迁移学习
神经网络
machine learning
neural network
数据挖掘
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2023.12.01

Cover

More Information
Summary:TP701; 在遥感图像分类实际应用中,深度学习经常面临高光谱数据有效标签不完备、样本多类不平衡和数据分布随时空动态变化等问题,难以发挥优势.基于上述问题,提出一个基于人工少数类过采样方法(synthetic minority oversampling technique,SMOTE)和深度迁移卷积神经网络的土地覆盖分类算法.所提算法创新性地采用深度迁移学习,使算法能够学习不同时空相同地物的相似性,并利用SMOTE方法对学习数据进行类分布空间优化平衡,从而解决 目标域数据不足和数据类不平衡问题.两组公开的高光谱遥感图像被用来验证所提算法的有效性.实验结果表明,相比传统的深度学习,所提算法能够更有效地解决数据不足和数据类不平衡问题提高分类精度.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2023.12.01