基于迁移学习的高光谱图像地形分类：一项比较研究
计算机视觉与模式识别
2023-04-11 v1 人工智能
机器学习
摘要
高光谱图像相比 RGB 图像包含多得多的通道数，因此包含图像中实体的更多信息。卷积神经网络 (CNN) 和多层感知器 (MLP) 已被证明是有效的图像分类方法。然而，它们存在训练时间长和需要大量标注数据才能达到预期结果的问题。在处理高光谱图像时，这些问题变得更加复杂。为了减少训练时间并降低对大型标注数据集的依赖，我们提出使用迁移学习方法。高光谱数据集首先使用 PCA 预处理至较低维度，然后应用深度学习模型进行分类。该模型学到的特征随后被迁移学习模型用于解决一个未见数据集上的新分类问题。我们对 CNN 和多种 MLP 架构模型进行了详细比较，以确定最适合目标的优化架构。结果表明，层数的扩展并不总是导致精度的提高，反而常常导致过拟合以及训练时间的增加。通过应用迁移学习方法而非直接在大数据集上训练新模型，训练时间大大减少，且对精度影响不大。
引用
@article{arxiv.2206.09414,
title = {Terrain Classification using Transfer Learning on Hyperspectral Images: A Comparative study},
author = {Uphar Singh and Kumar Saurabh and Neelaksh Trehan and Ranjana Vyas and O. P. Vyas},
journal= {arXiv preprint arXiv:2206.09414},
year = {2023}
}