内容提供者
基于最大投票融合的高光谱影像半监督分类.pptx
2024-10-04
20金币
4.5MB
28页
快乐****蜜蜂
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共28页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
基于最大投票融合的高光谱影像半监督分类.pptx
,目录PartOnePartTwo算法原理算法流程算法优势算法应用场景PartThree高光谱影像分类原理半监督分类方法半监督分类的优势半监督分类的应用场景PartFour应用背景和意义应用方法和流程应用效果和优势应用前景和展望PartFive实验数据和实验环境实验过程和实验方法实验结果和数据分析结果对比和分析PartSix研究结论和贡献研究局限和不足研究展望和未来工作THANKS
2024-10-04
20
4.5MB
基于伪标签深度学习的高光谱影像半监督分类.docx
基于伪标签深度学习的高光谱影像半监督分类摘要：高光谱影像的分类问题一直是遥感领域研究的热点之一。然而，在真实应用中，往往由于航拍成本等原因无法获得完整的标记数据，这就使得监督学习模型的应用受到非常大的限制。半监督学习是一种能够利用少量标记数据，同时也能充分利用大量未标记数据的方法。本文提出一种基于伪标签的深度半监督学习方法，应用于高光谱影像分类中。通过算法的迭代训练可以逐渐提升分类精度，同时也可以有效地减少标记数据的量化，降低了数据采集成本。本文对该方法进行了实验验证，结果表明本方法在高光谱影像分类中具有
2024-11-02
5
11KB
基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法.pdf
本发明提供一种基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法，其采用半监督稀疏鉴别嵌入算法对高光谱遥感影像进行维数简约，结合了近邻流形结构及稀疏性的优点，不仅保留样本间的稀疏重构关系，而且利用稀疏表示的自然判别能力，无需人为地选择近邻参数值，一定程度上缓解了近邻参数选择的困难，同时利用少量有标记训练样本以及部分无标记训练样本来发现蕴藏在高维数据的内在属性以及低维流形结构，能够提高对高光谱遥感影像中地物类别的分类精度；同时，本发明方法通过有区别的对待已标注数据与无标注数据，最大程度的增加相同地物类别的数据点
2023-11-23
10
4MB
半监督邻域保持嵌入在高光谱影像分类中的应用.docx
半监督邻域保持嵌入在高光谱影像分类中的应用半监督邻域保持嵌入（SNE）是一种非线性降维方法，被广泛应用于高光谱影像分类任务中。在高光谱影像分类中，传统的监督学习方法需要大量的标记样本来训练分类器，但标记样本的获取成本很高。相比之下，半监督学习方法可以利用少量的标记样本和大量的未标记样本来提高分类性能。半监督邻域保持嵌入将高维的高光谱数据映射到一个低维空间，同时保持样本之间的邻近关系。它通过计算每个样本之间的相似度来构建一个邻接矩阵，然后根据样本之间的相似度关系进行降维。在降维的过程中，样本之间的邻近关系被
2024-11-10
5
10KB
基于谱-空-纹特征融合的高光谱影像分类方法.docx
基于谱-空-纹特征融合的高光谱影像分类方法基于谱-空-纹特征融合的高光谱影像分类方法摘要：高光谱影像分类是一项关键的遥感应用任务，其目标是将高光谱数据准确地分成多个类别。然而，由于高光谱数据具有高维度和细微差异，传统的分类方法往往面临着挑战。为了提高高光谱影像分类的准确性和鲁棒性，本文提出了一种基于谱-空-纹特征融合的分类方法。该方法结合了谱特征、空间特征和纹理特征，利用多层神经网络进行特征融合和分类。实验结果表明，所提出的方法在高光谱影像分类任务中具有卓越的性能。关键词：高光谱影像分类，特征融合，谱特征
2024-11-01
5
11KB