面向遥感图像分类的深度自学习
计算机视觉与模式识别
2017-12-21 v2
摘要
本文通过深度自学习方法处理遥感图像的土地覆盖分类任务。我们的自学习方法利用稀疏表示和欠完备字典学习来学习输入数据的合适特征表示。我们提出了一种深度学习框架，该框架在多个层中提取表示，并将最深层的输出用作分类算法的输入。我们使用 Novo Progresso 北部（南美洲）研究区域的 Landsat 5 TM 多光谱图像和苏黎世大学提供的苏黎世夏季数据集来评估我们的方法。实验表明，深度自学习框架学到的特征可用于分类，并且与使用原始特征表示的分类结果相比，能够改善结果。
引用
@article{arxiv.1710.07096,
title = {Deep Self-taught Learning for Remote Sensing Image Classification},
author = {Anika Bettge and Ribana Roscher and Susanne Wenzel},
journal= {arXiv preprint arXiv:1710.07096},
year = {2017}
}
备注
This is a corrected version of the final paper published in the proceedings