一种航天器图像分类模型快速学习方法_第1页
一种航天器图像分类模型快速学习方法_第2页
一种航天器图像分类模型快速学习方法_第3页
一种航天器图像分类模型快速学习方法_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于深度学习算法的航天器图像分类在遥感领域得到了广泛的应用。本文提出一种快速学习方法，以提高分类模型的准确性和效率。该方法测、土地利用、城市规划等。然而，海量的图像数据也带来了一个挑战，即如何有效地分类这些数据，以提高数据的利用价值。近年来，深度学习技术的发展为图像分类提供了一种有效的解决方案。深度学习使用神经网络模型自动学习某些任务所需的特征，并可从训练数据集中进行预测。卷积神经网络（CNN）一种模型，它已经在许多图像分类任务中证明了自己的有效性。CNN的图像分类模型需要进行大量的训练才能达到较高CNN模型需要大量的时间和计算资源。因此，对于时间率和效率。该方法首先使用现有的预训练CNN然后使用支持向量机（）我们选择了一些最基本的特征来训练模型，并使用度量学习来减少特征向量的维度。本文的其余部分组织如下。第234节给出了结CNN模型来提取图像的特征向量。NN可以自动提取适用于给定任务的特定特征。在本文中，我们使用了etVGG16模型，它是一个广泛使用的卷积神经网络模型，在许多计算机视觉任务中表现良好。我们使用此模型来提取航天器4096。间隔的分类方法，可以在高维空间中构建超平面来区分两个不同的类别。给定许多已标注的数据作为训练样本，M模型将学习一个由超平面描MatlabSVMtoolbox维度。度量学习的目标是在高维特征空间中学习到数据点之间的相似性，以便将低维嵌入表达为高维特征向量的线性组合。在本文中，我们采用了线性判别分析（LDA）作为度量学习的方法。LDAMatlabLDALDAUCMercedLandUse17种256x256像素，并被标记为不同的土地使用类型。在本实验中，我们选择了13种类别进行分类。我们使用了以下四种方法进行比较：（1）预训练的CNN模型，（2）线性SVM分类器，（3）度量学习LDA和（4）我们提出的方法。对于每1UCMercedLandUse数据集上的分类精度。96.13%的精度，这比1：UCMercedLandUse数据集上的精度比较CNN模型|92.13%线性SVM分类器|89.63%度量学习LDA|94.92%我们提出的方法2UCeedLndUse数据集上的时间成本比较。我们可以看到，我们提出的方法在时间上比其他三种方法都快得多。这是因为我们使用了度量学习来减少特征向量的维度，并使分类器更容2：UCMercedLandUseCNN模型|150.32线性SVM分类器|89.21我们提出的方法本文提出了一种基于深度学习算法的航天器图像分类模型的快速学CNN模型提取图像的特征向量，

人人文库> 全部分类> 图纸下载 > 毕业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论