通过人工标注对深度卷积神经网络进行高效训练以实现高光谱图像分类
神经与进化计算
2020-10-23 v2 计算机视觉与模式识别
图像与视频处理
摘要
高光谱成像是数据的丰富来源，可实现大量有效应用。然而，由于数据维度大且通常可用训练样本少，此类成像仍具挑战性。尽管深度学习方法已被证明能提供有效的分类方案，尤其针对高维问题，但不幸的是它们在有大量标注样本可用时表现最佳。为缓解特定数据集的第二个要求，可使用迁移学习方法：首先在网络在具有大量可用训练标签的某数据集上预训练，然后使用实际数据集微调网络。该策略应用于高光谱图像并不直观，因为通常仅有某类型或特征的一幅特定图像可用。在本文中，我们提出并研究了一种简单有效的迁移学习策略，其使用无标签信息的无监督预训练步骤。该方法可应用于许多高光谱分类问题。所进行的实验表明，它在提高分类精度方面非常有效，且不受特定图像类型或神经网络架构限制。实验在多种深度神经网络架构与不同规模的标注训练集上开展。在 Indian Pines 与 Pavia University 数据集上总体精度的最大提升分别超过 21 和 13 个百分点。所提方法的另一优势是预训练步骤的无监督性质，其可在图像采集后立即进行，无需潜在昂贵的专家时间。
引用
@article{arxiv.1909.05507,
title = {Effective training of deep convolutional neural networks for hyperspectral image classification through artificial labeling},
author = {Wojciech Masarczyk and Przemysław Głomb and Bartosz Grabowski and Mateusz Ostaszewski},
journal= {arXiv preprint arXiv:1909.05507},
year = {2020}
}