大香蕉视频,中文字幕精品一区二区三区 ,色欧美片视频在线观看,久久成人亚洲香蕉草草

賽斯拜克中國核心技術(shù)品牌 博士專業(yè)研發(fā)團(tuán)隊   18年專注高光譜

咨詢熱線:400-888-5135

高光譜圖像深度學(xué)習(xí)分類:智慧農(nóng)業(yè)的科技革命

來源:賽斯拜克 發(fā)表時間:2023-09-21 瀏覽量:718 作者:

隨著科技的不斷發(fā)展,高光譜圖像深度學(xué)習(xí)分類技術(shù)正在逐漸成為智慧農(nóng)業(yè)領(lǐng)域的一項重要技術(shù)。高光譜圖像是指在不同光譜帶下獲取的圖像,這些圖像可以提供大量有關(guān)物體的詳細(xì)信息。而深度學(xué)習(xí)則是機器學(xué)習(xí)的一種,利用人工神經(jīng)網(wǎng)絡(luò)對大量數(shù)據(jù)進(jìn)行學(xué)習(xí),以識別和分類不同的物體。

11695282005292952.png

圖文摘要


研究背景:

  • 深度學(xué)習(xí) (DL) 技術(shù)在許多應(yīng)用中取得了令人矚目的成果。

  • DL 方法已成功用于對地球觀測 (EO) 儀器收集的遙感數(shù)據(jù)進(jìn)行分類。

  • 高光譜成像 (HSI) 是遙感數(shù)據(jù)分析中的一個熱門話題,因為這種圖像包含大量信息,可以結(jié)合豐富的 spectral 和 spatial 信息來更好地表征和利用地表。

  • 然而,HSI 對監(jiān)督分類提出了重大挑戰(zhàn),包括數(shù)據(jù)的 high dimensionality 和 training samples 的有限可用性。這些問題,加上 HSI 數(shù)據(jù)中經(jīng)常存在的 high intraclass variability 和 interclass similarity,可能會降低分類器的有效性。

  • 為了解決這些局限性,最近開發(fā)了多種基于 DL 的架構(gòu),在 HSI 數(shù)據(jù)解釋方面表現(xiàn)出巨大潛力

研究目標(biāo):

  • 全面回顧 HSI 分類 DL 領(lǐng)域的最新進(jìn)展,分析文獻(xiàn)中使用最廣泛的分類器的優(yōu)缺點。

  • 使用幾種 well-known 和 widely used HSI 場景對每種討論的方法進(jìn)行定量評估,從而對所討論的技術(shù)進(jìn)行詳盡比較。

  • 對應(yīng)用 DL 技術(shù)進(jìn)行 HSI 分類未來的挑戰(zhàn)進(jìn)行一些評論和提示。

研究方法:

  • 本文對文獻(xiàn)中使用最廣泛的基于 DL 的 HSI 分類器進(jìn)行了回顧和分析,包括:

    • 卷積神經(jīng)網(wǎng)絡(luò) (CNN)

    • 圖神經(jīng)網(wǎng)絡(luò) (GNN)

    • Transformer

    • CapsuleNets

主要發(fā)現(xiàn):

  • CNN 是 HSI 分類中最常用的 DL 架構(gòu),并且已被證明在各種 HSI 數(shù)據(jù)集上取得了最先進(jìn)的結(jié)果。

  • GNN 和 Transformer 等新興 DL 架構(gòu)最近也用于 HSI 分類,并取得了有 promising results。

  • 然而,基于 DL 的 HSI 分類器仍然存在一些挑戰(zhàn),例如:

    • 對 training samples 的 high requirement

    • 對模型解釋性的需求

    • 對計算資源的需求

image.png

 DNN模型的傳統(tǒng)全連接(左)和卷積架構(gòu)(右)之間的比較

image.png

從 2D 角度(左)和 3D 角度(右)看 CONV 層的圖形可視化。

image.png

DNN模型中實現(xiàn)的不同激活函數(shù)的圖形可視化

image.png

從 2D 角度看 POOL 層的圖形可視化。深色單元表示從池化操作中選擇的值(例如,如果已實現(xiàn)最大池化,則深色單元將表示體積中每個區(qū)域的較高值),盡管最終值也可以作為平均值或總和獲得整個地區(qū)的價值

image.png

綁定自動編碼器的傳統(tǒng)表示,由兩個主要部分組成:編碼器和解碼器,通過瓶頸層鏈接。

image.png

 RNN模型的架構(gòu): LSTM循環(huán)單元和 GRU內(nèi)部架構(gòu)的比較。

image.png

 CNN1D、CNN2D 和 CNN3D 架構(gòu)(從上到下)采用的譜、空間和譜空間卷積模型的傳統(tǒng)架構(gòu)。

image.png

殘差單元的圖形可視化。該架構(gòu)通過重用以前的信息來強化模型的學(xué)習(xí)過程。

image.png

 密集塊的圖形可視化。

image.png

最具代表性的深度學(xué)習(xí)框架存儲庫的星星和分支。淺藍(lán)色和紅色條指的是 2018 年 7 月 16 日測量的星和叉的數(shù)量,而深藍(lán)色和紅色條對應(yīng)的是 2019 年 9 月 8 日測量的星和叉的數(shù)量

image.png

每個考慮的分類器在 IP、UP、SV 數(shù)據(jù)集上具有不同訓(xùn)練百分比(x 軸)的OA演化(y 軸)。每個圖周圍還顯示了標(biāo)準(zhǔn)差。

image.png

包含 15% 訓(xùn)練數(shù)據(jù)的 IP 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表6的分類圖。相應(yīng)的總體分類精度(OA)顯示在括號中。

image.png

image.png

包含 10% 訓(xùn)練數(shù)據(jù)的 UP 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表7的分類圖。相應(yīng)的總體分類精度(OA)顯示在括號中。

image.png

包含 10% 訓(xùn)練數(shù)據(jù)的 SV 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表8的分類圖。相應(yīng)的總體分類精度(OA)顯示在括號中。

image.png

UH 數(shù)據(jù)集的分類圖。從(a)到(j)的圖像提供了對應(yīng)于表9的分類圖。相應(yīng)的總體分類精度(OA)顯示在括號中。

image.png

每個考慮的基于 TL 的分類器在 IP、UP 和 SV 數(shù)據(jù)集上具有不同訓(xùn)練百分比(x 軸)的 OA 演化(y 軸)。標(biāo)準(zhǔn)偏差顯示為陰影區(qū)域。

image.png

考慮到每類樣本數(shù)量相同,隨機選擇方法與 IP 數(shù)據(jù)集上空間不相交樣本的選擇進(jìn)行比較。

image.png

考慮到每類樣本數(shù)量相同,隨機選擇方法與 UP 場景上空間不相交樣本的選擇進(jìn)行比較。

總結(jié):深度學(xué)習(xí) (DL) 在高光譜圖像 (HSI) 分類中取得了重大進(jìn)展,CNN 架構(gòu)是其中最有效的方法。然而,DL 方法仍然面臨一些挑戰(zhàn),包括對訓(xùn)練樣本的需求、模型解釋性和計算資源需求。未來的研究方向包括:開發(fā)更有效的 DL 架構(gòu)、降低對訓(xùn)練樣本的需求、開發(fā)更易于解釋的 DL 模型和降低 DL 模型的計算資源需求。推薦指數(shù):???? 

相關(guān)產(chǎn)品

高光譜相機技術(shù)排行榜top10

高光譜相機技術(shù)相關(guān)推薦